### NUMPY数组基础知识 NumPy 是 Python 中用于科学计算的强大库，特别擅长处理大型、多维数据集上的数值计算[^2]。核心功能由 `ndarray` 对象提供，这是一种高效的多维数组对象。 创建简单的 NumPy 数组可以通过多种方式实现： ```python import numpy as np # 通过列表创建一维数组 arr_1d = np.array([1, 2, 3]) # 创建二维数组 arr_2d = np.array([[1, 2], [3, 4]]) print("One-dimensional array:", arr_1d) print("Two-dimensional array:\n", arr_2d) ``` #### 获取数组属性 了解数组的形状(shape)、维度(dimensionality)和其他基本特性非常重要： ```python shape_of_arr = arr_2d.shape # (rows, columns) dimension_of_arr = arr_2d.ndim size_of_arr = arr_2d.size # total number of elements print(f"Shape: {shape_of_arr}, Dimensions: {dimension_of_arr}, Size: {size_of_arr}") ``` ### 取值操作详解 对于 NumPy 数组而言，有几种主要的方法来进行取值操作: - **简单索引**: 类似于标准 Python 列表的方式访问单个元素。 - **切片(slice)**: 提取出子数组而不需要复制整个原始数组的内容。 - **花式索引(Fancy Indexing)**: 使用整数或布尔类型的数组作为索引来获取特定位置的数据[^1]。 #### 简单调用与切片示例 ```python one_d_array = np.arange(10) element_at_index_three = one_d_array[3] slice_from_two_to_six = one_d_array[2:7] print("Element at index three:", element_at_index_three) print("Slice from two to six:", slice_from_two_to-six) ``` #### 花式索引实例 当需要基于条件筛选出某些元素时，可以利用布尔掩码或者直接传入一个包含所需索引的位置列表/数组来完成这一任务。 ```python sample_data = ['A', 'B', 'C', 'D'] data_np = np.array(sample_data) boolean_mask = data_np >= 'C' fancy_indices = [True, False, True, False] filtered_by_boolean = data_np[boolean_mask] selected_by_fancy = data_np[fancy_indices] print("Filtered by boolean mask:", filtered_by_boolean) print("Selected using fancy indices:", selected_by_fancy) ``` 上述代码展示了如何使用不同的方法从 NumPy 数组中提取感兴趣的部分。这不仅限于一维情况，在更高维度的情况下同样适用，并且可以根据实际需求灵活组合这些技术以达到目的。