names = np.array(['nana', 'zhengzheng', 'fangfang', 'zhengzheng', 'nana', 'dingding', 'huanhuan'])
data = np.random.rand(7, 5)
data
Out[83]:
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
[0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
[0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
[0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
[0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
[0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
[0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])
数组的比较操作（比如==）也是可以向量化的。因此，比较names数组和字符串’nana’会产生一个布尔值数组：
names == 'nana' Out[84]: array([ True, False, False, False, True, False, False])
在索引数组时可以传入布尔值数组：
data[names == 'nana']
Out[85]:
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
[0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974]])
注：当布尔值数组的长度不正确时，布尔值选择数据的方法并不会报错，因此我建议在使用该特性的时候要小心。
10.1、在选择行的同时索引列data[names == 'nana', 3:]
Out[87]:
array([[0.43745294, 0.60072609],
[0.00727943, 0.67708974]])
10.2、条件取反
为了选择除了’nana’以外的其他数据，你可以使用！=或在条件表达式前使用～对条件取反：
names != 'nana'
Out[89]: array([False, True, True, True, False, True, True])
data[~(names=='nana')]
Out[91]:
array([[0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
[0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
[0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
[0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
[0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])
10.3、多个条件过滤
当要选择三个名字中的两个时，可以对多个布尔值条件进行联合，需要使用数学操作符如&（and）和|（or）：
mask = (names =='nana')|(names=='dingding')
mask
Out[93]: array([ True, False, False, False, True, True, False])
data[mask]
Out[94]:
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
[0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
[0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228]])
10.4、对布尔值选择的数据赋值
使用布尔值索引选择数据时，总是生成数据的拷贝，所以如果想更新值，需要直接赋值：
un_data = data[~(names=='nana')]
un_data = 0
# 原来的数组值不会有任何变化
data
Out[101]:
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
[0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
[0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
[0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
[0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
[0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
[0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])
# 直接赋值才有效果
data[data < 0.1] = 0
data
Out[103]:
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
[0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
[0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
[0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
[0.81626763, 0.75416682, 0.70522153, 0. , 0.67708974],
[0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
[0.53585089, 0.20241624, 0.40155367, 0. , 0.55407748]])
11、通过索引获取特定顺序的子集
arr = np.empty((8, 4))
for i in range(8):
arr[i] = i
arr
Out[106]:
array([[0., 0., 0., 0.],
[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.],
[4., 4., 4., 4.],
[5., 5., 5., 5.],
[6., 6., 6., 6.],
[7., 7., 7., 7.]])
arr[[2, 3, 1, 6]]
Out[107]:
array([[2., 2., 2., 2.],
[3., 3., 3., 3.],
[1., 1., 1., 1.],
[6., 6., 6., 6.]])
arr[[-4, -3, -1]]
Out[108]:
array([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[7., 7., 7., 7.]])
11.1、传递多个索引数组选定特定值
下面是选定(0, 2),(2, 0), (3, 4)位置的值并组成一维数组。
arr = np.arange(20).reshape((4, 5))
arr[[0, 2, 3 ], [2, 0 , 4]]
Out[110]: array([ 2, 10, 19])
arr
Out[111]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
下面是选择定(0,2,3)行的(2, 0,4)列数据
arr[[0, 2, 3 ]][:,[2, 0 , 4]]
Out[112]:
array([[ 2, 0, 4],
[12, 10, 14],
[17, 15, 19]])
