numpy模组

直接使用函数

np.arange(start, stop, step) (开始，结束，步长)与原本python原本的range函数方法类似。

np.array() 将列表或字典转化为数组。

np.zeros() 生成全为零的数组，括号内输入行数和列数。

np.ones() 效果和上面差不多，生成全为1的数组，用法和上面一样。

np.empty() 创建一个未初始化的数组，用法和上面一样, 创建的数组会包含随机数。

np.linspace() 创建一个等差数列，括号内输入开始，结束，数量。

np.eye() 创建单位矩阵，括号内输入阶数。

数组函数

定义数组后使用 以arr为例：

arr.reshape() 括号内输入行数和列数，将数组转化为指定行数和列数的数组。

arr.flatten(order = 'C') 将数组转化为一维数组，默认为行展开优先。

参数：order 控制扁平化的顺序，可选值：
'C'（默认）：按行优先（C 风格）展开
'F'：按列优先（Fortran 风格）展开
'A'：如果数组是按列存储的，就按列展开，否则按行展开
'K'：按数组在内存中的实际存储顺序展开。

arr.T 没有参数，返回数组的转置。

数组的索引与切片

一维数组的索引与切片用法和python列表处理方式一样。

二维数组的索引与切片用法，可以传入两个数字，第一个数字为行数，第二个数字为列数。如果只出入一个数字，则返回该行或该列，但是传入列时行可以空着，但 逗号不能少，否则会默认为输入的时行数，传入行数时怎么这个要求。类似于python嵌套列表的处理方式，只是索引是用中括号分隔的，且没法直接取出第几列，需要用到循环。

更高维的数组，索引与切片用法和二维数组一样，只是传入的参数个数会变多。

布尔索引

详情

一、布尔索引的核心概念

NumPy 的布尔索引是一种通过布尔数组（True/False 数组） 来筛选数组元素的方式，核心逻辑是：用与原数组形状相同的布尔数组作为“掩码”，只保留布尔值为 True 位置对应的元素，最终返回一维数组。

简单来说，你可以把布尔索引理解为：给数组的每个元素贴一个“是否选中”的标签（True=选中，False=不选中），然后只取出贴了“选中”标签的元素。

二、基础用法（一维数组）

先从最简单的一维数组入手，理解布尔索引的基本操作：

import numpy as np

# 1. 创建基础一维数组
arr = np.array([1, 2, 3, 4, 5, 6])
print("原数组：", arr)  # 输出 [1 2 3 4 5 6]

# 2. 创建布尔条件（生成与arr形状相同的布尔数组）
# 条件：元素大于3
bool_mask = arr > 3
print("\n布尔掩码：", bool_mask)  # 输出 [False False False  True  True  True]

# 3. 应用布尔索引（筛选出满足条件的元素）
filtered_arr = arr[bool_mask]
print("筛选结果：", filtered_arr)  # 输出 [4 5 6]

# 简化写法：直接在索引中写条件（无需单独定义bool_mask）
filtered_arr_short = arr[arr > 3]
print("简化写法结果：", filtered_arr_short)  # 输出 [4 5 6]

关键说明：

• 布尔数组的形状必须和原数组匹配（一维对一维，二维对二维），否则会报错；
• 布尔索引返回的是原数组的副本（修改筛选结果不会影响原数组）。

三、进阶用法（二维数组）

二维数组的布尔索引是实际开发中最常用的场景，支持按行/列、按条件筛选元素或子数组：

import numpy as np

# 1. 创建二维数组（2行3列）
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print("原二维数组：")
print(arr_2d)
# 输出：
# [[1 2 3]
#  [4 5 6]]

# 2. 条件1：筛选所有大于3的元素（返回一维数组）
filtered_2d_1 = arr_2d[arr_2d > 3]
print("\n所有大于3的元素：", filtered_2d_1)  # 输出 [4 5 6]

# 3. 条件2：筛选第二列大于2的行（结合行/列索引）
# 先获取第二列（索引1）的布尔条件，再筛选行
row_mask = arr_2d[:, 1] > 2  # 第二列元素：[2,5]，条件>2 → [False, True]
filtered_rows = arr_2d[row_mask]
print("第二列大于2的行：")
print(filtered_rows)  # 输出 [[4 5 6]]

# 4. 多条件组合（&=且，|=或，!=非，注意条件需用()包裹）
# 条件：元素大于2 且 小于5
multi_mask = (arr_2d > 2) & (arr_2d < 5)
filtered_multi = arr_2d[multi_mask]
print("\n大于2且小于5的元素：", filtered_multi)  # 输出 [3 4]

# 条件：元素小于2 或 大于5
multi_mask2 = (arr_2d < 2) | (arr_2d > 5)
filtered_multi2 = arr_2d[multi_mask2]
print("小于2或大于5的元素：", filtered_multi2)  # 输出 [1 6]

四、常见应用场景

布尔索引是数据预处理的核心工具，常见用途包括：

1. 替换数组中满足条件的元素

import numpy as np

arr = np.array([1, -2, 3, -4, 5])
# 将所有负数替换为0
arr[arr < 0] = 0
print(arr)  # 输出 [1 0 3 0 5]

2. 筛选非空/非NaN元素（数据清洗）

import numpy as np

# 创建包含NaN的数组
arr = np.array([1, np.nan, 3, np.nan, 5])
# 筛选非NaN元素（np.isnan()返回布尔数组）
filtered = arr[~np.isnan(arr)]  # ~表示取反
print(filtered)  # 输出 [1. 3. 5.]

3. 按条件统计元素

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
# 统计大于3的元素个数
count = np.sum(arr > 3)
print("大于3的元素个数：", count)  # 输出 3

# 统计每行中大于2的元素个数
row_count = np.sum(arr > 2, axis=1)  # axis=1按行统计
print("每行大于2的元素个数：", row_count)  # 输出 [1 3]

总结

1. 核心逻辑：布尔索引通过“布尔掩码”筛选元素，True 保留、False 舍弃，返回一维数组（二维数组筛选元素时）。
2. 关键语法：多条件组合需用 &（且）、|（或）、~（非），且每个条件必须用 () 包裹；布尔数组形状需与原数组匹配。
3. 核心场景：数据筛选、条件替换、缺失值处理、统计分析，是NumPy数据处理的必备技能。