《Hello NumPy》系列-切片的花式操作
原创
2020，努力做一个无可替代的人！
写在前面的话
NumPy 第二小节，同学们自行复习前面的内容：
高阶部分篇篇都是干货，建议大家不要错过任何一节内容，最好关注我，或者关注公众号（同名），方便看到每次的文章推送。
正文
先想一个问题，NumPy 的核心是多维数组，List 也是数组，那是否它们的一些特性也是相同的呢？
List 特性是什么？又忘记了吧？
我直接贴前面文章的链接啦，注意仔细看：Python 列表与字符串高阶特性
你也先别急着回答前面的问题，带着问题继续往下看。
先看一维数组
首先，先创建一个一维数组：
# 创建一维数组
data_arr = np.arange(10)
# 输出
[0 1 2 3 4 5 6 7 8 9]0-9的一维数组，我们试着输出数组的后五位数
# 输出数组的后五位数
data_arr[-5:]
data_arr[5:10]
# 输出
[5 6 7 8 9]
[5 6 7 8 9]可以看到，和列表 List 一样，一维数组同样支持切片操作。
不同的是，数组切片是原始数组的视图，视图上的任何修改都会直接反映到源数组上。
# 修改数组后五位数的值
data_arr[-5:] = 0
# 输出
[0 1 2 3 4 0 0 0 0 0]
# 修改数组奇数位上的值为 -1
data_arr[::2] = -1
# 输出
[-1 1 -1 3 -1 0 -1 0 -1 0]可以直接通过修改切片结果，也就是视图，从而达到修改源数组值的效果。
往下看，我们要找出数组值为 -1的所有元素
# 数组值为 -1的所有元素
data_arr == -1
data_arr[data_arr == -1]
# 输出
[ True False True False True False True False True False]
[-1 -1 -1 -1 -1]通过对 data_arr 进行比较运算输出一个布尔型数组，然后输出布尔值为 True 的结果。
当然这个例子比较牵强，输出的肯定都是 -1 啦。
换种比较方式，我们找出数组值大于 0 的所有元素
# 数组值大于 0 的所有元素
data_arr[data_arr > 0]
# 输出
[1 3]我们发现，数组支持布尔型索引
在进行数据分析时，布尔类型的数据筛选可以节省很多工作。
再来看多维数组
同样的先创建多维数组，这里用到的创建方法不同于上节介绍到的几种方式
同学们可以了解一下。
# 通过 randn 函数生成五行三列正态分布的随机数据
data_arr2d = np.random.randn(5, 3)
# 输出
[[ 1.13042124 -1.6739234 0.53706167]
[-0.97661624 -0.27100353 0.00312314]
[-0.01815399 -1.11894791 0.54558887]
[-0.90802724 0.07955776 -0.26139345]
[-0.59722727 -0.54188117 1.1033876 ]]random 函数还有 rand()、random()、randint() 等多种方法
我们这里通过 randn() 方法生成正态分布的随机数据。
和一维数组一样，我们试着进行切片操作
# 输出五行三列数据的第一行数据
data_arr2d[:1]
# 输出
[[ 1.13042124 -1.6739234 0.53706167]]
# 输出五行三列数据的第二行第二列数据
data_arr2d[1:2, 1:2]
# 输出
[[-0.27100353]]
# 输出五行三列数据的奇数行奇数列数据
data_arr2d[::2, ::2]
# 输出
[[ 1.13042124 0.53706167]
[-0.01815399 0.54558887]
[-0.59722727 1.1033876 ]]可以看到，同一维数组切片一样，二维数组是在一维数组上再进行切片。
解释一下， :: 表示所有行， ::2 表示从第0行开始每隔2行取数
当然，我们也可以通过索引+切片的方式混合取值
# 输出五行三列数据的第二行的奇数列数据
data_arr2d[1, ::2]
# 输出
[-0.97661624 0.00312314]
# 输出五行三列数据的奇数行的第二列数据
data_arr2d[::2, 1]
# 输出
[-1.6739234 -1.11894791 -0.54188117]通过索引确定二维数组的行，然后通过切片确定列，也可以取到相应的值；反之，切片确定行、索引确定列同样适用。
注意：Python 中索引是从0开始计数（即第一行）
假设上面的五行三列数据分别代表【A,B,C,D,E】 的语文、数学、英语三科成绩，我们通过姓名数组对应起来
# 创建数组，表示【A,B,C,D,E】
name_arr = np.array(['A', 'B', 'C', 'D', 'E'])
# 输出
['A' 'B' 'C' 'D' 'E']这样的话，数据的行对应我们的【A,B,C,D,E】，数据的列对应语文、数学、英语三科成绩。
我们试着输出 C 的三科成绩
通过 name_arr 确定行，输出所有列的值
# C 的三科成绩
data_arr2d[name_arr == 'C']
# 输出
[[-0.01815399 -1.11894791 0.54558887]]再试着输出 A、C、D、E 的三科成绩
通过 name_arr 确定 A、C、D、E 的行，输出所有列的值。 这里可以通过取反，即
非B 的所有行
# A、C、D、E 的三科成绩
data_arr2d[name_arr != 'B']
# A、C、D、E 的三科成绩
data_arr2d[~(name_arr == 'B')]
# 输出
[[ 1.13042124 -1.6739234 0.53706167]
[-0.01815399 -1.11894791 0.54558887]
[-0.90802724 0.07955776 -0.26139345]
[-0.59722727 -0.54188117 1.1033876 ]]可以发现，两种表达方式都可，既可以使用 不等于符号 (!=)，也可以通过波浪号 (~) 进行取反操作
需要注意的是，Python 2.7.13以上版本用波浪线(~)代替了负号(-)
上面的都是单条件表达，如果我们想要多个条件呢？
例如如果我们想要 输出 A、C同学的三科成绩？
通过 name_arr 确定 A、C 行
# 输出 A、C同学的三科成绩
data_arr2d[(name_arr == 'A') | (name_arr == 'C')]
# 输出
[[ 1.13042124 -1.6739234 0.53706167]
[-0.01815399 -1.11894791 0.54558887]]如果我们只想要输出在 0-1之间的所有数据呢？
通过 data_arr2d 值筛选确定值在 0-1 之间的数据
# 输出在 0-1之间的所有数据
data_arr2d[(data_arr2d > 0) & (data_arr2d < 1)]
# 输出
[0.53706167 0.00312314 0.54558887 0.07955776]可以看到，在组合应用多个布尔条件，使用 &（与）、|（或）、!（非）算术运算符
特别注意的是：Python 关键字 and 和 or 在布尔型数组中无效
最后一个问题，如果我们想要把所有负数用0代替呢？
通过筛选选出所有小于0的值，通过修改视图修改源数组的值
# 负数全部用0代替
data_arr2d[data_arr2d < 0] = 0
# 输出
[[1.13042124 0. 0.53706167]
[0. 0. 0.00312314]
[0. 0. 0.54558887]
[0. 0.07955776 0. ]
[0. 0. 1.1033876 ]]最后这个问题就有点数据清洗的思想了，小于0 的数据属于异常值，对于异常值我们可以通过剔除该数据、用其他值填充等方式处理
总结一下：
如果你没有看懂今天的逻辑，最后的总结非常有必要，细品一下
首先，通过列表的相关特性，我们从一维、二维分别分析数组的相关特性。
列表切片：通过起始下标、结束下标、步长等参数进行切片操作。
一维数组：在列表切片的基础上，多了布尔型索引、修改视图结果的功能
二维数组：在一位切片的功能上，新增第二维切片，且同时支持索引+切片的功能。
最后，别忘了刚开始提出的问题，List 和 NumPy 有哪些异同？
同学们自己回答，看完文章回答这个问题应该很简单。
写在后面的话
NumPy 第二节内容，如果你理解了列表的切片，其实这个就很好理解了。
所以还是那句话，最基础的东西，都是在给以后的高阶内容打基础。
NumPy 也是，理解了 NumPy，在以后的数据清洗、算法推导有很大帮助！
碎碎念一下
最全的干货已经开始了，大家不要掉队啊。 数据分析的重点已经开始了，加油鸭！
原创不易，欢迎点赞噢
文章首发：公众号【知秋小梦】 文章同步：掘金，简书
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。