ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

NumPy 和 Pandas 基本功
章节 1: Python 数据处理介绍
什么是 NumPy 和 Pandas?
对人工智能和数据科学的重要性
环境配置
运行你的第一个代码片段
Jupyter Notebook 简介
动手实践:设置与验证
第 1 章测验
章节 2: NumPy 数组入门
了解 NumPy N 维数组
从 Python 列表创建数组
内置数组创建函数
理解数组数据类型
数组基本属性
实践操作:创建和查看数组
第 2 章测验
章节 3: NumPy 数组的索引与切片
访问单个元素
一维数组切片
二维数组切片
布尔索引
花式索引
修改数组子集
动手实践:从数组中选择数据
第 3 章测验
章节 4: NumPy 基本操作
基本算术运算
通用函数(ufuncs)简介
数学和统计函数
数组上的逻辑运算
广播功能简介
动手实践:对数组进行计算
第 4 章测验
章节 5: Pandas 介绍
Pandas 是什么?
Pandas 数据结构:Series
创建 Series
Pandas 数据结构:DataFrame
创建 DataFrame
检查 DataFrames
实操:创建和查看 Series/DataFrame
第 5 章测验
章节 6: Pandas 数据加载与保存
从CSV文件读取数据
从Excel文件读取数据
从其他格式读取数据
将数据写入 CSV 文件
写入数据到Excel文件
动手实践:数据集的导入与导出
第 6 章测验
章节 7: Pandas 中的数据选取与索引
选取列
使用标签选择行 (.loc)
使用整数位置选择行 (.iloc)
混合标签和基于位置的索引
条件选择 (布尔索引)
设置 DataFrame 索引
重置 DataFrame 索引
动手实践:访问特定数据子集
第 7 章测验
章节 8: 使用 Pandas 进行数据基本处理
识别缺失数据
处理缺失数据:删除
处理缺失数据:填充
删除列和行
添加新列
修改现有列
重命名列
数据排序
实践练习:清理和修改数据框
第 8 章测验
章节 9: 数据分组与聚合
拆分-应用-组合方法
使用 groupby() 方法对数据进行分组
应用聚合函数
应用多种聚合操作
按多列分组
遍历分组
动手实践:使用 GroupBy 汇总数据
第 9 章测验
章节 10: 组合 DataFrames
数据合并介绍
连接 DataFrames (pd.concat)
数据库风格的合并 (pd.merge)
理解合并类型(连接)
基于索引的合并
基于索引的合并 (.join)
实践操作:组合数据集
第 10 章测验

二维数组切片

切片是一种强大的操作,适用于一维和多维数组。一维数组用于提取元素序列,而多维数组则允许选择特定的行、列或矩形数据块。这项功能对于处理NumPy中表示的矩阵式数据(如图像或表格)来说非常基本。

对于二维数组(矩阵),切片通过使用逗号分隔每个维度的切片规范,从而扩展了熟悉的 start:stop:step 符号。一般语法是:

array[row_slice, column_slice]

在这里,row_slice 指定要选择的行范围,column_slice 指定要选择的列范围。每个切片遵循与一维切片相同的规则:start 索引是包含的,stop 索引是不包含的,step 定义了步长。如果切片的任何部分(start、stop 或 step)被省略,NumPy 会使用默认值(维度开头、维度结尾、步长为1)。

我们使用一个示例二维数组来看看实际效果。

import numpy as np

# 创建一个 4x5 数组(4 行,5 列)
arr2d = np.array([[ 1,  2,  3,  4,  5],
                  [ 6,  7,  8,  9, 10],
                  [11, 12, 13, 14, 15],
                  [16, 17, 18, 19, 20]])

print("原始二维数组:\n", arr2d)

选择行

要选择行范围同时保留所有列,你需要为行指定切片,并对列使用 :。

# 选择前两行(索引 0 和 1)
first_two_rows = arr2d[0:2, :]
print("\n前两行:\n", first_two_rows)

# 选择从索引 1 开始(包含)到索引 3 结束(不包含)的行
rows_1_and_2 = arr2d[1:3, :]
print("\n索引 1 和 2 的行:\n", rows_1_and_2)

冒号 : 充当列维度的通配符,表明所选行应包含所有列。如果你选择整行,也可以省略逗号后的冒号:arr2d[0:2] 等同于 arr2d[0:2, :]。

选择列

类似地,要选择特定列同时保留所有行,你需要对行切片使用 : 并指定所需的列范围。

# 选择前三列(索引 0, 1, 2)
first_three_cols = arr2d[:, 0:3]
print("\n前三列:\n", first_three_cols)

# 选择从索引 2 开始(包含)到索引 4 结束(不包含)的列
cols_2_and_3 = arr2d[:, 2:4]
print("\n索引 2 和 3 的列:\n", cols_2_and_3)

选择子数组(矩形区域)

真正的优势在于你结合行和列切片来选择数组的特定矩形子区域。

# 选择从行 0, 1 和列 1, 2 组成的子数组
sub_array_1 = arr2d[0:2, 1:3]
print("\n子数组 (行 0-1, 列 1-2):\n", sub_array_1)
# 结果: [[2, 3], [7, 8]]

# 选择从行 1, 2 和列 2, 3, 4 组成的子数组
sub_array_2 = arr2d[1:3, 2:5] # or arr2d[1:3, 2:]
print("\n子数组 (行 1-2, 列 2-4):\n", sub_array_2)
# 结果: [[8, 9, 10], [13, 14, 15]]

以下图表展示了对 arr2d[1:3, 2:4] 定义的区域进行切片操作,该操作对应于索引为 1 和 2 的行,以及索引为 2 和 3 的列。

对 arr2d[1:3, 2:4] 进行切片的视觉表示。蓝色高亮显示的元素构成了结果 2x2 子数组,其中包含 [[8, 9], [13, 14]]。

切片是视图

需要记住的一个重要方面是,与一维数组切片一致,二维数组切片是原始数组数据的视图,而不是副本。这意味着如果你修改切片中的元素,这些更改将反映在原始数组中。

# 获取一个切片(视图)
slice_view = arr2d[0:2, 0:2]
print("\n原始切片视图:\n", slice_view)

# 修改切片中的一个元素
slice_view[0, 0] = 99
print("\n修改后的切片视图:\n", slice_view)

# 检查原始数组
print("\n修改切片后的原始数组:\n", arr2d)
# 注意左上角元素(索引 0,0)现在是 99

如果你需要切片的独立副本,并且它独立于原始数组,你必须明确使用 .copy() 方法。

# 创建切片的副本
slice_copy = arr2d[2:, 2:].copy()
print("\n切片副本:\n", slice_copy)

# 修改副本
slice_copy[0, 0] = -1
print("\n修改后的切片副本:\n", slice_copy)

# 再次检查原始数组 - 该区域保持不变
print("\n修改副本后的原始数组:\n", arr2d)

熟练掌握二维切片对于在 NumPy 中高效处理表格数据、图像块或任何网格状结构非常重要。它允许你隔离并处理数据的特定部分,而无需手动迭代元素。

  • Indexing, NumPy Developers, 2024 - NumPy官方文档,介绍其索引和切片机制,包括多维数组以及视图与副本的区别。
  • The N-dimensional array (ndarray), NumPy Developers, 2024 - NumPy ndarray对象的参考文档,为数组数据结构和切片如何创建视图提供背景信息。

© 2026 ApX Machine Learning