python-numpy-4:通用函数，一维索引，和二维索引的搜索。布尔运算，判断数量

1运算符

>>> x=np.arange(0,10,2)
>>> x
array([0, 2, 4, 6, 8])
>>> x<3
array([ True,  True, False, False, False])
>>> x>3
array([False, False,  True,  True,  True])
>>> x<=3
array([ True,  True, False, False, False])
>>> x>=3
array([False, False,  True,  True,  True])
>>> x!=3
array([ True,  True,  True,  True,  True])
>>> x==3
array([False, False, False, False, False])
>>> x=3
>>> x
3

2.二维上面进行判断

>>> rng=np.random.RandomState(0)
>>> rng
RandomState(MT19937) at 0x7FD338D90888
>>> x=rng.randint(10,size=(3,4))
>>> x
array([[5, 0, 3, 3],
       [7, 9, 3, 5],
       [2, 4, 7, 6]])
>>> x<6
array([[ True,  True,  True,  True],
       [False, False,  True,  True],
       [ True,  True, False, False]])

3.操作布尔数组
统计记录的个数
首先生成一个随机的二维数组

>>> import numpy as np
>>> rng=np.random.RandomState(0)
>>> x=rng.randint(10,size=(3,4))
>>> x
array([[5, 0, 3, 3],
       [7, 9, 3, 5],
       [2, 4, 7, 6]])

统计数量：np.sum

>>> np.sum(x<6)
8
>>> np.sum(x<6,axis=1)###沿着某一轴向
array([4, 2, 2])

是否存在：np.any

>>> np.any(x>8)
True
>>> np.any(x<0)
False

是否都是：np.all

>>> np.all(x<10)
True
>>> np.all(x==6)
False
>>> np.all(x<8,axis=1)
array([ True, False,  True])
>>> 

4.布尔运算符

>>>np.sum((inches>5)&(inches<1))
29

5.索引升级版
z不是array数组模块，报错不能用

>>> z = list(range(10))
>>> z
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> z[y]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: only integer scalar arrays can be converted to a scalar index
>>> y
array([[3, 7],
       [4, 5]])

x是array数组模块，可以用这个方法

>>> rand =np.random.RandomState(42)
>>> rand
RandomState(MT19937) at 0x7FBDFBACA990
>>> x=rand.randint(100,size=10)
>>> x
array([51, 92, 14, 71, 60, 20, 82, 86, 74, 74])
>>> x[y]
array([[71, 86],
       [60, 20]])

6.索引升级版-二维
首先生成一个二维数组

>>> x=np.arange(12).reshape((3,4))
>>> x
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

然后生成对应的行row,和列col的信息

>>> row=np.array([0,1,2])
>>> row
array([0, 1, 2])
>>> col=np.array([2,1,3])
>>> col
array([2, 1, 3])

取值
选取对应的坐标，此处的2是对应的（0，2），此处的5对应的（1，1），此处的11，对应的(2,3)

>>> x[row,col]
array([ 2,  5, 11])

拓展，同理

>>> x[row[:,np.newaxis],col]
array([[ 2,  1,  3],
       [ 6,  5,  7],
       [10,  9, 11]])
>>> row[:,np.newaxis],col
(array([[0],
       [1],
       [2]]), array([2, 1, 3]))
>>> row[:,np.newaxis]*col
array([[0, 0, 0],
       [2, 1, 3],
       [4, 2, 6]])

花哨的索引与简单索引的组合
第二行的，第三个数，第一个数，第二个数

>>> x[2,[2,0,1]]
array([10,  8,  9])

索引与切片的结合
第一行之后的，一次第三个，第一个，第二个

>>> x[1:,[2,0,1]]
array([[ 6,  4,  5],
       [10,  8,  9]])