Python NumPy数组元素访问与增删改查详解

ndarray数组元素的访问机制

NumPy数组支持类Python列表的切片语法与多维索引，返回的对象仍为ndarray类型。

第1步：掌握切片基础语法

基本格式为arr[start:stop:step]。start与stop分别表示包含起始位置与不包含结束位置的索引，默认为首尾两端；step控制遍历步长，正数从左向右，负数从右向左。负数索引代表从末尾倒序计数。

import numpy as np

nd1 = np.arange(8)
print(nd1[3], nd1[-2])       # 单个索引访问
print(nd1[:3], nd1[2:4])     # 省略start或stop自动填充边界
print(nd1[::-2])             # 步长为-2反向跳跃选取
# 输出: 3 6
# 输出: [0 1 2] [2 3]
# 输出: [7 5 3 1]

第2步：二维/多维数组索引定位

使用逗号分隔维度：arr[行轴, 列轴]。任一维度均可独立使用切片或列表获取多行/多列。若省略某轴索引并使用冒号:，则选中该轴全部数据。

nd2 = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]])

print(nd2[1, 2])                    # 单元素：第2行第3列
print(nd2[:, 1])                    # 整列：所有行的第2列
print(nd2[[0, 2], [0, 2]])          # 花式索引：提取(0,0)与(2,2)
# 输出: 6
# 输出: [2 5 8]
# 输出: [1 9]

ndarray数组元素的增加操作

NumPy数组创建后尺寸固定，添加元素通常会分配新内存并返回新数组。操作时需严格核对输入数据的形状（shape）与目标轴（axis）是否兼容。

第1步：尾部追加与任意位置插入

np.append()仅在末尾拼接，要求values除目标轴外维度与arr一致。np.insert()可在指定位置插入值，obj参数控制插入索引点。

arr = np.array([[1, 2], [3, 4]])
vals = [[5, 6]]

new_append = np.append(arr, vals, axis=0)       # 沿行追加
print(new_append.shape)                          

new_insert = np.insert(arr, 1, vals, axis=0)    # 在第2行位置插入
print(new_insert)
# 输出: (3, 2)
# 输出: [[1 2] [5 6] [3 4]]

第2步：多数组合并拼接

np.concatenate()用于元组内的数组序列合并，二维及以上需显式声明axis。np.hstack()与np.vstack()是垂直/水平拼接的便捷别名，对一维数组行为等同concatenate。

a1 = np.array([1, 2])
a2 = np.array([3, 4])
print(np.concatenate((a1, a2)))         # 一维拼接无需axis

b1 = np.array([[1], [2]])
b2 = np.array([[5]])
print(np.hstack((b1, b2)))              # 水平扩展列
print(np.vstack((b1, b2)))              # 垂直扩展行
# 输出: [1 2 3 4]
# 输出: [[1 5] [2 5]]
# 输出: [[1] [2] [5]]

ndarray数组元素的删除操作

删除同样生成新数组。可通过绝对索引剔除特定行列，或使用条件表达式构建布尔掩码进行过滤。

第1步：按索引移除行列

np.delete(arr, obj, axis=None)中，obj接收标量或多维索引列表。二维数组删除行或列时必须指定axis=0或axis=1。

data = np.arange(1, 10).reshape(3, 3)
print(np.delete(data, 1, axis=0))       # 删除第2行
print(np.delete(data, [0, 2], axis=1))  # 删除第1列和第3列
# 输出: [[4 5 6] [7 8 9]]
# 输出: [[2] [5] [8]]

第2步：条件过滤与去重

利用比较运算符生成布尔数组作为索引，可筛选满足条件的子集。np.unique()将返回去重且升序排列后的新数组。

nums = np.array([1, 2, 2, 4, 4, 4, 7])
mask = (nums > 2) & (nums < 6)
filtered = nums[mask]
unique_nums = np.unique(nums)
print(filtered)                         
print(unique_nums)
# 输出: [4 4 4]
# 输出: [1 2 4 7]

ndarray数组元素的修改操作

修改分为原地覆盖与新数组生成两类。直接索引、切片赋值与布尔掩码属于原地修改；np.put与np.where根据用法决定是否返回新对象。

第1步：直接索引与切片覆盖

通过方括号定位单元素或多元素区间，右侧赋值需保证广播兼容。修改标量会填充至整个切片区域。

m = np.ones((3, 3))
m[0, 1] = 9.9                       # 单点修改
m[1:, :] = 0                        # 切片整块重置
print(m)
# 输出: [[1.   9.9  1. ]
        [0.   0.   0. ]
        [0.   0.   0. ]]

第2步：布尔掩码批量替换

将条件表达式置于索引中，可直接定位满足阈值的元素并赋值。注意参与逻辑运算的数组dtype须支持浮点型（如需赋值为NaN）。

v = np.array([1, -2, 3, -4, 5])
v[v < 0] = 0                        # 负数清零
v[(v > 1) & (v < 5)] = 2            # 区间覆盖
print(v)
# 输出: [1 0 2 0 5]

第3步：按位赋值与条件三元替换

np.put(a, ind, v)按传入索引列表直接将对应位置改写为v中的值，属于原地操作。np.where(cond, x, y)充当三维三元运算符，符合条件处取x，否则取y。

arr = np.zeros(5, dtype=int)
np.put(arr, [0, 2, 4], [10, 30, 50])  # 原地写回

scores = np.array([85, 40, 92, 55])
status = np.where(scores >= 60, "及格", "挂科")
print(arr)
print(status)
# 输出: [10  0 30  0 50]
# 输出: ['及格' '挂科' '及格' '挂科']

第4步：数值范围裁剪

np.clip(arr, a_min, a_max, out=None)将超出范围的值强制截断至边界。提供out参数时可避免额外内存分配，直接在原数组上生效。

raw = np.array([-2, 3, 7, 12])
cleaned = np.clip(raw, 0, 10, out=raw)
print(cleaned)
# 输出: [0 3 7 10]

操作注意事项与排错建议

• 返回值机制：除直接索引赋值、np.put及部分带out参数的函数外，绝大多数增删操作均返回新数组，原变量不会被自动覆写。
• 形状对齐：append与insert要求待拼/插数据的维度与目标轴完全吻合，缺失维度会导致ValueError，建议使用np.expand_dims或转置提前对齐。
• NaN赋值限制：向整数型数组写入np.nan会被静默转换为2147483647（或平台最大整数值），修改前务必调用astype(float)转换数据类型。

以上就是Python NumPy数组访问与增删改查的详细内容，更多关于NumPy矩阵运算与数据预处理资料请关注本站其它相关文章！