In [2]:
Out[2]:
In [6]:
Out[6]:
In [7]:
Out[7]:
In [8]:
Out[8]:
In [9]:
Out[9]:
In [10]:
Out[10]:
索引查询
In [14]:
Out[14]:
In [17]:
Out[17]:
In [36]:
Out[36]:
In [19]:
Out[19]:
切片查询
In [20]:
Out[20]:
In [23]:
Out[23]:
In [26]:
Out[26]:
In [28]:
Out[28]:
In [30]:
Out[30]:
In [31]:
Out[31]:
查询 [5, 7]
属于同一行
In [34]:
Out[34]:
查询 [5, 17]
属于同一列
In [38]:
Out[38]:
查询
In [39]:
Out[39]:
In [40]:
Out[40]:
In [41]:
Out[41]:
查询 [5,15]
各个维度索引都对不上
In [43]:
Out[43]:
In [46]:
Out[46]:
查询 array([ 4, 18, 11])
In [47]:
Out[47]:
In [50]:
Out[50]:
In [53]:
Out[53]:
调节各个维度的索引顺序就是一种变相查询
In [54]:
Out[54]:
单个维度调整顺序
In [57]:
Out[57]:
In [60]:
Out[60]:
In [59]:
Out[59]:
多个维度同时调整顺序
In [67]:
Out[67]:
广播运算
向量化运算,并行运算,省掉遍历
In [71]:
Out[71]:
类似python的浅拷贝,深拷贝
修改 赋值、索引、切片后的新数组,原数组会变
内存里只维护了一份数据
In [72]:
Out[72]:
In [73]:
Out[73]:
In [75]:
Out[75]:
In [76]:
Out[76]:
In [81]:
Out[81]:
In [82]:
Out[82]:
In [83]:
Out[83]:
In [84]:
Out[84]:
修改 赋值、索引、切片后的新数组,原数组不变
内存里单独复制了一份
查询时,两层括号,赋值给新变量时副本模式(间接查询)
In [85]:
Out[85]:
In [88]:
Out[88]:
In [89]:
Out[89]:
常用:copy()副本
In [90]:
Out[90]:
In [91]:
Out[91]:
In [92]:
Out[92]:
有的,我正好也在做类似的程序。PYTHON中引入NUMPY的第三方库,矩阵可以用ndarray类型代替,ndarray是numpy的默认类型。
ndarray这个类型的对象,有where函数可以用。你可以搜索一下这个函数的用法