4、Numpy数组索引、切片与值的替换_numpy 值替换_算法程序员&mlh的博客

1.2 连续获取某几行的数据：

# 1. 获取连续的几行的数据
a1 = np.arange(0,24).reshape((4,6))
print(a1)
# [[ 0  1  2  3  4  5]
#  [ 6  7  8  9 10 11]
#  [12 13 14 15 16 17]
#  [18 19 20 21 22 23]]
print(a1[0:2]) #获取0行到1行的数据
# [[ 0  1  2  3  4  5]
#  [ 6  7  8  9 10 11]]
# 2. 获取不连续的几行的数据
print(a1[[0,2,3]])
# [[ 0  1  2  3  4  5]
#  [12 13 14 15 16 17]
#  [18 19 20 21 22 23]]
# 3. 也可以使用负数进行索引
print(a1[[-1,-2]])
# [[18 19 20 21 22 23]
#  [12 13 14 15 16 17]]
1.3 获取某行某列的数据：
 
#获取某行某列的数据：
a1 = np.arange(0,24).reshape((4,6))
print(a1)
# [[ 0  1  2  3  4  5]
#  [ 6  7  8  9 10 11]
#  [12 13 14 15 16 17]
#  [18 19 20 21 22 23]]
print(a1[1,1]) #获取1行1列的数据
#结果为：7
print(a1[0:2,0:2]) #获取0-1行的0-1列的数据
# [[0 1]
#  [6 7]]
print(a1[[1,2],[2,3]]) #获取(1,2)和(2,3)的两个数据，这也叫花式索引
# [ 8 15]
1.4 获取某列的数据：
 
#获取某列的数据
a1 = np.arange(0,24).reshape((4,6))
print(a1[:,1]) #获取第1列的数据
#结果为：[ 1  7 13 19]
2、布尔索引：如：a2 = a1 < 10
 
2.1 布尔运算也是矢量的，比如以下代码： 
#布尔索引
a1 = np.arange(0,24).reshape((4,6))
print(a1<10) #会返回一个新的数组，这个数组中的值全部都是bool类型
# [[ True  True  True  True  True  True]
#  [ True  True  True  True False False]
#  [False False False False False False]
#  [False False False False False False]]
2.2 这样看上去没有什么用，假如我现在要实现一个需求，要将a1数组中所有小于10的数据全部都提取出来。那么可以使用以下方式实现： 
a1 = np.arange(0,24).reshape((4,6))
a2 = a1 < 10
print(a1[a2]) #这样就会在a1中把a2中为True的元素对应的位置的值提取出来
#结果为：[0 1 2 3 4 5 6 7 8 9]
2.3 其中布尔运算可以有!=、==、>、<、>=、<=以及&(与)和|(或)。示例代码如下： 
a1 = np.arange(0,24).reshape((4,6))
a2 = a1[(a1 < 5) | (a1 > 10)]  #这样就会在a1中把a1<5且a1>10的值取出来
print(a2) #[ 0  1  2  3  4 11 12 13 14 15 16 17 18 19 20 21 22 23]
3、值的替换：
 
3.1 利用索引，也可以做一些值的替换。把满足条件的位置的值替换成其他的值。
 
比如以下代码： 
#利用索引，也可以做一些值的替换
a1 = np.arange(0,24).reshape((4,6))
a1[3] = 0 #将第三行的所有值都替换成0
print(a1)
# [[ 0  1  2  3  4  5]
#  [ 6  7  8  9 10 11]
#  [12 13 14 15 16 17]
#  [ 0  0  0  0  0  0]]
3.2 使用条件索引来实现：
 
# 使用条件索引来实现
a1 = np.arange(0,24).reshape((4,6))
a1[a1 < 5] = 0 #将小于5的所有值全部都替换成0
print(a1)
# [[ 0  0  0  0  0  5]
#  [ 6  7  8  9 10 11]
#  [12 13 14 15 16 17]
#  [18 19 20 21 22 23]]
3.3 使用函数来实现：
 
# where函数：
a1 = np.arange(0,24).reshape((4,6))
a2 = np.where(a1 < 10,1,0) #把a1中所有小于10的数全部变成1，其余的变成0
print(a2)
# [[1 1 1 1 1 1]
#  [1 1 1 1 0 0]
#  [0 0 0 0 0 0]
#  [0 0 0 0 0 0]]
                    @[TOC](Numpy数组索引、切片与值的替换)## 1、索引与切片：### 1.1 获取某行的数据：：示例代码如下：```python# 1. 如果是一维数组a1 = np.arange(0, 29)print(a1[1])  # 获取下标为1的元素#结果为：1
				Pandas-DataFrame常用基础知识点总结，代码示例，主要有对某列字符替换、groupby分组统计、聚合统计、根据某列进行排序、dataframe格式转字典、datafrane 多行合并为一行、新增与删除某列、删除某列字符大于8的行、某列格式转换、删除包含某特殊字符的行、对某列文本中包含的字符进行替换删除、截取某列字符、指定时间格式、对空值/缺失值进行填充、某列数据末尾添加特殊字符、获取索引和数据、删除重复数据、常用的统计计算、使用countains可以用来正则匹配筛选、某列累计求和 cumsum函数、、某列整体计算、多列合并为一列、某两列时间相减、 删除去掉默认索引 、取消索引、重置索引等等。




    

已知数组1：arr1= [1,2,3,4,5,6,7,8,9]
已知数组2：arr2= [0,0,0,0,0,0,1,1,1]
需要将数组2中值为0的数替换数组1中对应位置的数。
结果：result = [0,0,0,0,0,0,7,8,9]
arr1[np.where(arr2 == 0)] = 0
np.where(arr2 == 0)返回arr2中值为0的索引
在数组中
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
vector[equal_to_ten_or_five] = 50
print(vector)
[50, 50, 15, 20]
在矩阵中：
matrix = nump...
t!=t 返回bool类型的数组(矩阵)
np.count_nonzero() 返回的是数组中的非0元素个数；true的个数。
np.isnan() 返回bool类型的数组。
那么问题来了，在一组数据中单纯的把nan替换为0，合适么？会带来什么样的影响？
比如，全部替换为0后，替换之前的平均值如果大于0，替换之后的均值肯定会变小，所以更一般的方式是把缺失的数值替换为均值（中值）或者是直接删除有缺失值的一行
demo.py（numpy，将数组中的nan替换成对应的均值）：
				Warehouse Warehouse是下一代Python软件包系统信息库，旨在替换当前为PyPI（其源代码驻留在Github上）提供支持的旧代码库。
您可以在文档中找到更多信息。
Warehouse Warehouse是下一代Python软件包系统信息库，旨在替换当前为PyPI（其源代码驻留在Github上）提供支持的旧代码库。
您可以在文档中找到更多信息。
入门在本地运行Warehouse副本需要使用docker和docker-compose。
假设您具有这两项，则可以使用以下命令：$＃启动本地环境$ make serve $＃在调试模式下启动本地环境（pdb e
结果是生成一个新数组，根据条件来判断，新数组的元素都是True或False
import numpy as np
a1=np.arange(24).reshape((4,6))
print(a1>10)
[[False False False False False False]
 [False False False False False  True]
 [ True  True  True  True  True  True]