修改数组子集

各种索引方法能够选择 NumPy 数组的特定元素或部分。这些强大的选择方法被用来更改数组中的值。这是在数据分析和机器学习任务中进行数据清理、转换和处理的一项基本操作。

核心思想很简单：任何您用来选择数据的方法，只要在赋值运算符 (=) 的左侧使用，都可以用来为选定元素赋新值。

为单个元素赋值

就像您使用方括号 [] 和索引来访问元素一样，您也可以使用相同的语法来为该特定位置赋新值。

对于一维数组：

import numpy as np

# 创建一个简单的一维数组
arr1d = np.arange(10)
print("原始一维数组:", arr1d)
# 输出: 原始一维数组: [0 1 2 3 4 5 6 7 8 9]

# 修改索引为 5 的元素
arr1d[5] = 99
print("修改后的一维数组:", arr1d)
# 输出: 修改后的一维数组: [ 0  1  2  3  4 99  6  7  8  9]

对于二维数组，您使用 [行, 列] 记法：

# 创建一个二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("原始二维数组:\n", arr2d)
# 输出:
# 原始二维数组:
#  [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

# 修改第 1 行、第 2 列的元素
arr2d[1, 2] = -5
print("修改后的二维数组:\n", arr2d)
# 输出:
# 修改后的二维数组:
#  [[ 1  2  3]
#  [ 4  5 -5]
#  [ 7  8  9]]

修改数组切片

切片允许您选择一系列元素。您可以为整个切片赋一个单一值，或者赋一个与切片形状匹配的数组值。

为切片赋标量值：

当您为切片赋一个单一标量值（例如一个数字）时，NumPy 会使用广播机制，用该值填充整个选定的切片。

# 重新创建一维数组
arr1d = np.arange(10)
print("原始一维数组:", arr1d)
# 输出: 原始一维数组: [0 1 2 3 4 5 6 7 8 9]

# 将值 100 赋给从索引 2 开始（不包括 5）的元素
arr1d[2:5] = 100
print("修改后的切片（标量）:", arr1d)
# 输出: 修改后的切片（标量）: [  0   1 100 100 100   5   6   7   8   9]

对于二维数组，这同样适用：

# 重新创建二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("原始二维数组:\n", arr2d)
# 输出:
# 原始二维数组:
#  [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

# 将 0 赋给左上角的 2x2 子数组
arr2d[0:2, 0:2] = 0
print("修改后的切片（标量，二维）:\n", arr2d)
# 输出:
# 修改后的切片（标量，二维）:
#  [[0 0 3]
#  [0 0 6]
#  [7 8 9]]

为切片赋数组：

您也可以将另一个数组（或列表）赋给切片，前提是您要赋的数组的形状与您选择的切片的形状匹配。

# 重新创建一维数组
arr1d = np.arange(10)
print("原始一维数组:", arr1d)
# 输出: 原始一维数组: [0 1 2 3 4 5 6 7 8 9]

# 将列表中的值赋给切片
arr1d[5:8] = [55, 66, 77]
print("修改后的切片（数组）:", arr1d)
# 输出: 修改后的切片（数组）: [ 0  1  2  3  4 55 66 77  8  9]

# 尝试赋值一个形状不匹配的数组会导致错误
# arr1d[5:8] = [1, 2] # 这将引发 ValueError

关于切片与视图的重要提示： 当您修改一个切片时，通常是直接修改原始数组。这是因为切片通常返回原始数据的视图，而不是副本。请注意这一点，因为通过切片视图所做的更改会反映在原始数组中。

arr = np.arange(5)
print("原始数组:", arr) # [0 1 2 3 4]
arr_slice = arr[1:4]
print("切片:", arr_slice)    # [1 2 3]

arr_slice[:] = 99 # 修改切片的所有元素
print("修改后的切片:", arr_slice) # [99 99 99]
print("切片修改后的原始数组:", arr) # [ 0 99 99 99  4]

请注意，修改 arr_slice 也改变了 arr。

使用布尔索引进行修改

布尔索引对于更改满足特定条件的元素非常有用。您将布尔条件放在方括号内。所有条件评估为 True 的元素都将被选中进行赋值。

# 创建一个包含正数和负数的数组
data = np.array([-1, 5, -3, 0, 8, -2, 4])
print("原始数据:", data)
# 输出: 原始数据: [-1  5 -3  0  8 -2  4]

# 将所有负数赋为 0
data[data < 0] = 0
print("替换负数后的数据:", data)
# 输出: 替换负数后的数据: [0 5 0 0 8 0 4]

# 为满足另一个条件的元素赋特定值
data[data > 5] = 500
print("将大于 5 的值设限后的数据:", data)
# 输出: 将大于 5 的值设限后的数据: [  0   5   0   0 500   0   4]

同样，广播机制也适用。当您赋一个单一标量值（如上面的 0 或 500）时，它会被赋给所有通过布尔条件选中的元素。

使用高级索引进行修改

高级索引使用整数数组来指定您要访问或修改的元素的索引。这使得选择和更改非连续元素成为可能。

# 创建一个一维数组
arr = np.zeros(10, dtype=int) # 包含十个零的数组
print("初始数组:", arr)
# 输出: 初始数组: [0 0 0 0 0 0 0 0 0 0]

# 使用高级索引设置特定元素
indices_to_change = [1, 4, 7, 8]
arr[indices_to_change] = 99
print("高级索引赋值后的数组:", arr)
# 输出: 高级索引赋值后的数组: [ 0 99  0  0 99  0  0 99 99  0]

# 您也可以赋值一个与索引数量匹配的序列
new_values = [11, 44, 77, 88]
arr[indices_to_change] = new_values
print("赋值序列后的数组:", arr)
# 输出: 赋值序列后的数组: [ 0 11  0  0 44  0  0 77 88  0]

高级索引也可以用于多维数组：

# 创建一个二维数组
arr2d = np.arange(12).reshape((3, 4))
print("原始二维数组:\n", arr2d)
# 输出:
# 原始二维数组:
#  [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

# 使用行和列索引数组选择特定元素
rows = np.array([0, 1, 2])
cols = np.array([1, 2, 0]) # 选择元素 (0,1), (1,2), (2,0)

# 为选定的元素赋值
arr2d[rows, cols] = -1
print("修改后的二维数组（高级索引）:\n", arr2d)
# 输出:
# 修改后的二维数组（高级索引）:
#  [[ 0 -1  2  3]
#  [ 4  5 -1  7]
#  [-1  9 10 11]]

主要内容是，相同的灵活选择机制对于赋值操作同样有效。

能够使用索引、切片、布尔条件或索引数组选择数据的子集，然后直接修改这些子集，是 NumPy 中数据操作的根本。在为数据分析或机器学习模型准备数据时，您会经常使用这些技巧。