还是先上代码：
def get_index_from_array(from_array, purpose_array):
purpose_array = np.array(purpose_array)
from_array = np.array(from_array)
purpose_idx_in_from = -np.ones(purpose_array.shape).astype(int)
p_idx = np.in1d(purpose_array, from_array)
union_array = np.hstack((from_array, purpose_array[p_idx]))
_, union_idx, union_inv = np.unique(union_array, return_index=True, return_inverse=True)
purpose_idx_in_from[p_idx] = union_idx[union_inv[len(from_array):]]
return purpose_idx_in_from
这里介绍一下numpy中的unique函数，非常好用：
unique函数默认返回一个包含不重复的数组，并且包含原数组全部元素。该函数包含三个可选参数，return_index，return_inverse，return_count。看个例子：
from_array = np.array(['e', 'c', 'f', 'a', 'e', 'g', 'f', 'a', 'b', 'd', 'd', 'e'])
test = np.unique(from_array, True, True, True)
print(test)
返回结果：
(array(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='<U1'),
array([3, 8, 1, 9, 0, 2, 5], dtype=int64),
array([4, 2, 5, 0, 4, 6, 5, 0, 1, 3, 3, 4], dtype=int64),
array([2, 1, 1, 2, 3, 2, 1], dtype=int64))
返回了四个数组：
第一个数组a，包含原数组所有元素的不重复的数组；
第二个数组b，每个元素在原数组中第一次出现的索引，和a中的元素一一对应，即from_array[b]等于 a，
例如‘d’在原数组中在索引9的位置第一次出现，‘f’则是在索引2的位置第一次出现；
第三个数组c，原数组映射到a中的索引值。即a[c]等于from_array；
第四个数组d，统计a中元素在原数组中出现的次数。
这里面b和c很有意思，能玩出很多花样来，有兴趣可以自己研究一下
回到原来的代码，这里主要的思想就是，把purpose_array中的元素合并到from_array的后面，合并之前需要清洗掉from_array中不存在的数据。这样对联合后的数组进行unique操作，不会影响到from_array部分的结果。我们可以对比看一下：
purpose_array = np.array(['b', 't', 'd', 'g', 'f', 'f', 'g', 'b', 'g', 'f', 'p', 'd', 'f', 'r', 'g', 'w', 't', 'd', 'e', 'b', 'e'])
from_array = np.array(['e', 'c', 'f', 'a', 'e', 'g', 'f', 'a', 'b', 'd', 'd', 'e'])
test = np.unique(from_array, return_index=True, return_inverse=True)
print(test)
p_idx = np.in1d(purpose_array, from_array)
union_array = np.hstack((from_array, purpose_array[p_idx]))
test2 = np.unique(union_array, return_index=True, return_inverse=True)
print(test2)
结果如下：
(array(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='<U1'), array([3, 8, 1, 9, 0, 2, 5], dtype=int64), array([4, 2, 5, 0, 4, 6, 5, 0, 1, 3, 3, 4], dtype=int64), array([2, 1, 1, 2, 3, 2, 1], dtype=int64))
(array(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='<U1'), array([3, 8, 1, 9, 0, 2, 5], dtype=int64), array([4, 2, 5, 0, 4, 6, 5, 0, 1, 3, 3, 4, 1, 3, 6, 5, 5, 6, 1, 6, 5, 3,
5, 6, 3, 4, 1, 4], dtype=int64))
因为新的联合数组没有增加新的元素，也没有打乱from_array的顺序，所以得到的a、b数组还是不变。from_array[b]等于 a依然成立。而根据第三个数组的特性，a[c]等于原数组union_array，该数组包含from_array和purpose_array[p_idx]两部分，取后半部分就是purpose_array了。即c2 = c[len(from_array) :]，a[c2]等于purpose_array[p_idx]。
即from_array[b][c2]等于筛选过的purpose_array！目标达成，我们就是要找from_array到purpose_array的索引。
该索引值即b[c2]
测试一下：
a, b, c = test2
c2 = c[len(from_array):]
index = b[c2]
print(from_array[index])
print(purpose_array[p_idx])
['b' 'd' 'g' 'f' 'f' 'g' 'b' 'g' 'f' 'd' 'f' 'g' 'd' 'e' 'b' 'e']
['b' 'd' 'g' 'f' 'f' 'g' 'b' 'g' 'f' 'd' 'f' 'g' 'd' 'e' 'b' 'e']
结果一致！
贴上完整测试代码，目标数组长度为100000，数字范围0~9999
索引数组长度为20000，数字范围相同
以此来制造尽量复杂的情况，测试效率和结果是否正确
purpose_array = np.random.randint(0, 10000, 100000)
from_array = np.random.randint(0, 10000, 20000)
t1 = time.time()
purpose_idx_in_from1 = get_index_from_array(from_array, purpose_array)
t2 = time.time()
print(t2 - t1)
print(purpose_idx_in_from1)
idx = purpose_idx_in_from1[purpose_idx_in_from1 != -1]
a = from_array[idx]
b = purpose_array[purpose_idx_in_from1 != -1]
print((a == b).all(), '\n')
t1 = time.time()
purpose_idx_in_from2 = get_index_from_array2(from_array, purpose_array)
t2 = time.time()
print(t2 - t1)
print(purpose_idx_in_from2)
idx = purpose_idx_in_from2[purpose_idx_in_from2 != -1]
a = from_array[idx]
b = purpose_array[purpose_idx_in_from2 != -1]
print((a == b).all(), '\n')
t1 = time.time()
purpose_idx_in_from3 = get_index_from_array3(from_array, purpose_array)
t2 = time.time()
print(t2 - t1)
print(purpose_idx_in_from3)
idx = purpose_idx_in_from3[purpose_idx_in_from3 != -1]
a = from_array[idx]
b = purpose_array[purpose_idx_in_from3 != -1]
print((a == b).all(), '\n')
print((purpose_idx_in_from1 == purpose_idx_in_from2).all())
print((purpose_idx_in_from1 == purpose_idx_in_from3).all())
运行结果如下：
0.032914161682128906
[ 1820 -1 14529 ... 12893 -1 11580]
12.497856140136719
[ 1820 -1 14529 ... 12893 -1 11580]
12.462677478790283
[ 1820 -1 14529 ... 12893 -1 11580]
首先，三者结果测试正确，且三者完全一致
效率方面，传统方法则用了接近12.5秒（未使用多线程并行），map函数的方法让我感到意外，居然没有提高。而用我自己的方法，只花了0.033秒，提升了三四百倍的时间，果然是能不用for循环，千方百计也不要用。
PHP数组可以将许多其他不同变量类型的值存入一个数组，并且存储容量可以根据与元素的增减自动调整。
根据数组下标提供的方式不同，可以分为索引数组和关联数组
索引数组的索引值为整数
关联数组以字符串为索引值
数组的定义
1.直接为数组元素赋值
2.使用array()函数声明数组
直接赋值方法定义数组
$数组变量名[下标]=资料内容
$contact1[0]=1;
$contact1[1]="高某";
$contact1[2]
Python----数据分析-numpy.索引和切片
数组可以进行切片（分片）和索引操作，从而可以非常方便地提取数组的子集或者某个元素，
一维数组可以进行索引、分片、迭代等操作，和对列表的操作方式相似。
如图所示设b为0-20以内的一维偶数数组，
b[2]—取出索引为2的元素(第三个元素)
b[0:4]—取出索引为0-3的元素(第一至四个元素)
数组经过切片后并没有生成新的数组，得到的数组依然指向原数组，之所以不生成新的数组，是为了节约内存空间。
但为切片后的数组重新赋值，原数组的值会改变，如图所示：
1.单个元素索引
这个是最简单的，因为无论是c,c++还是java，都允许这样。这也是我之前掌握的唯一一个numpy索引方法，可怜中~。
y[0][1]#表示索引矩阵y的0行1列
2.行列索引
这次我们不是针对一个元素，我们要取出某些行或者某些列来。
y[[1,2
本文整理汇总了Python中turtle.left方法的典型用法代码示例。如果您正苦于以下问题：Python turtle.left方法的具体用法？Python turtle.left怎么用？Python turtle.left使用的例子？那么恭喜您, 这里精选的方法代码示例或许可以为您提供帮助。您也可以进一步了解该方法所在模块turtle的用法示例。在下文中一共展示了turtle.left方法的...
a = [[1, 2, 3, 4, 5, 6, 7], [1, 2, 3, 4, 5, 6, 7]]
a = np.array(a)
b = [[7, 8, 9, 10, 11, 12, 13], [5, 8, 9, 10, 11, 12, 13]]
b = np.array(b)
print("a: ", a)
print("b: ", b)
print("b - a \n: ", b - a)
print("(b - a)**2 \n: ", (b - a)*.
一个机器人位于一个m x n网格的左上角 （起始点在下图中标记为 “Start” ）。
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。
求可能的路径个数。
在python列表中查找某个元素的索引的两种方法
1、方法一： 利用数组自身的特性 a.index(target), 其中a是目标list，target是需要的下标对应的值。代码如下：
list1 = [1,7,2,4,5]
print(a.index(4))
output:
这种方法仅仅能获取都第一个匹配的value的下标索引。
2、方法二：利用enumerate函数。可以输出所有的索引值和对应...
