python numpy查询定位赋值数值所在行列

目录
  • 根据条件筛选行（筛选）
  • 根据行列号取值（查询）
  • 根据值求行列号（定位）
  • 按行/列求和（求和）
  • 赋值

根据条件筛选行（筛选）

筛选矩阵中第7列值为5的行

B = A[ A[:,6] == 5]

筛选矩阵中第7列大于5的行

B = A[ A[:,6] > 5]

Numpy基础操作

根据行列号取值（查询）

取第2行第2列的数字

import numpy as np
#产生3行4列的矩阵
x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

y=x[1,1]
print(y)

截取前几行前几列

import numpy as np
#产生3行4列的矩阵
x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

#[a:b,c:d] 表示取a-b行，c-d列。a、c可以省略，表示从0开始
#取x的前两行(所有列)
y=x[:2] # 等价于 y=x[:2,:]，等价于 y=x[0:2,...]
print(y)

#取x的前两列（的所有行）
z=x[:,:2] # 等价于 z=x[:,0:2]，等价于 z=x[...,0:2]
print(z)

截取某几行某几列

import numpy as np
#产生3行4列的矩阵
x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

#[a:b,c:d] 表示取a-b行，c-d列。a、c可以省略，表示从0开始
#取x的第2行第2-3列
y=x[1,1:3]

根据值求行列号（定位）

输出某行最大值所在的列索引

import numpy as np
#产生3行4列的矩阵
x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

#  取出x中元素最大值所对应的索引，按照a[0][1]中的a[1]方向，即行方向搜索最大值。
y = np.argmax(x, 1)
print(y)

输出某列最大值所在的行索引

#  取出x中元素最大值所对应的行号
y = np.argmax(x, 0)
print(y)

最大值所在行列号

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

# where返回一个长度为2的元组，第一个元素保存的是行号，第二个元素保存的是列号
y = np.where(x == np.max(x))
print(y)
print("最大值所在行：",y[0],"最大值所在列：",y[1])

按行/列求和（求和）

按行求和，将和添加到矩阵最后一列

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

y = np.sum(x, axis=1)
print(y)

xy = np.hstack((x, y.reshape(x.shape[0], -1)))
print(xy)

按列求和，将和添加到矩阵最后一行

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

z = np.sum(x, axis=0)
print(z)

xz = np.vstack((x, z))
print(xz)

赋值

按条件赋值

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

x[x<=5]=0 # 将小于5的数赋值为0
print(x)

where()

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

# results = np.where(condition, x, y)
# 当条件为真时，对应位置返回x中的值，条件不成立则返回y中的值
y = np.where(x>5,x,0)  #满足大于5的值设置为x，不满足的设为0
print(y)

逻辑运算

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

print(x>5) # x>5的为Ture，否则为False

给指定 行 / 列 / [行，列] 赋值

x=np.arange(0,12)
x=x.reshape((3,4))
print(x)

x[1,1] = 999 # 指定行列号赋值
print(x)

x[1] = 123 # 指定行赋值
print(x)

x[:,1] = 321 # 指定列赋值
print(x)

到此这篇关于python numpy查询定位赋值数值所在行列的文章就介绍到这了,更多相关python numpy 内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

赞 (0)

相关推荐

  • Python数据分析numpy数组的3种创建方式

    Python数据分析numpy数组的3种创建方式

    目录 一.使用列表创建numpy数组 1 使用numpy创建一维数组 2 使用numpy创建二维数组 3 使用numpy创建一维数组,源为不同数据类型的列表 二.通过读取图片创建多维numpy数组 1 将图片信息读取到numpy数组中 2 在jupyter中读取图片数据后并显示 3 对图片数组数据处理 三.通过指定函数生成numpy数组 1 生成多维数组 2 生成一维线性数组 3 生成一维等差数列 4 生成随机的多维数组 一.使用列表创建numpy数组 1 使用numpy创建一维数组 2 使用n

  • 关于Python下的Matlab函数对应关系(Numpy)

    关于Python下的Matlab函数对应关系(Numpy)

    目录 Matlab函数对应关系(Numpy) Numpy与Matlab互转操作 1.常用操作(参考numpy官方说明) 2.线性变换(参考numpy官方说明) Matlab函数对应关系(Numpy) 首先给出官网链接,其中详细说明了在Python下如何用Numpy实现Matlab下相同的函数功能. 博主在用Python撰写代码的时候,想用Python实现在Matlab下某个函数的功能(比如Repmat函数),但是当使用语句 from numpy.matlib import repmat A =

  • python numpy中array与pandas的DataFrame转换方式

    python numpy中array与pandas的DataFrame转换方式

    目录 numpy array与pandas的DataFrame转换 1.numpy的array转换为pandas的DataFrame 2.pandas的DataFrame转换为numpy的array Pandas DataFrame转换成Numpy中array的三种方法 1.使用DataFrame中的values方法 2.使用DataFrame中的as_matrix()方法 3.使用Numpy中的array方法 numpy array与pandas的DataFrame转换 1.numpy的arr

  • python基于numpy的线性回归

    python基于numpy的线性回归

    本文实例为大家分享了python基于numpy的线性回归的具体代码,供大家参考,具体内容如下 class类中包含: 创建数据参数初始化计算输出值,损失值,dw,db预测函数交叉验证函数 其中用到的数据集为sklearn中的糖尿病数据集 具体代码如下: import numpy as np from sklearn.utils import shuffle from sklearn.datasets import load_diabetes import matplotlib.pyplot as

  • python numpy和list查询其中某个数的个数及定位方法

    1. list 查询个数: 调用list.count(obj)函数,返回obj在list中的个数. 输入: list_a = [2 for x in range(5)] print(list_a) a_count = list_a.count(2) print(a_count) 输出: [2, 2, 2, 2, 2] 定位元素: 调用list.index(obj)函数,返回待查找对象第一个匹配项的位置. 输入: #!/usr/bin/python aList = [123, 'xyz', 'za

  • python numpy库中数组遍历的方法

    python numpy库中数组遍历的方法

    1.对于一维数组,可以有: 2. 对于二维数组:考虑可将其看作为矩阵,故可以如下书写二重遍历 这里外层循环的是二维数组A的行,内层则是列 同时c的作用:不想用肉眼直接观察得到行列数,故用A.shape方法获得(2,6)的元组,然后改变数据类型为列表,然后直接使用. 3.对于三维数组,如: 有两个二维数组,二维数组中又有三个长度为4的数组.可以这样子循环: 又len(f) = 2, len(f[0]) = 3, len(f[0][0]) = 4;故可以再一次改进代码,这里就不写了. f[0]:三维

  • Python numpy和matlab的几点差异介绍

    目录 numpy和matlab的几点差异 1.Numpy数组索引指定开始和结束时 2.Numpy.ndarray切片的修改会引起原矩阵的修改 3.numpy使用切片索引(例如1:2)不会产生降维 4.不同于matlab 5.不同matlab对于矩阵预算要求大小一致 python与matlab的优缺点 1.python的优势 2.matlab的优势 3.两者的区别 4.怎样选择 numpy和matlab的几点差异 Python numpy和matlab都是便捷灵活的科学计算语言,两者具有很多相似之

  • python numpy查询定位赋值数值所在行列

    目录 根据条件筛选行(筛选) 根据行列号取值(查询) 根据值求行列号(定位) 按行/列求和(求和) 赋值 根据条件筛选行(筛选) 筛选矩阵中第7列值为5的行 B = A[ A[:,6] == 5] 筛选矩阵中第7列大于5的行 B = A[ A[:,6] > 5] Numpy基础操作 根据行列号取值(查询) 取第2行第2列的数字 import numpy as np #产生3行4列的矩阵 x=np.arange(0,12) x=x.reshape((3,4)) print(x) y=x[1,1]

  • pandas全表查询定位某个值所在行列的方法

    如下所示: # create a dataframe with an integer feature and a categorical string feature demo_df = pd.DataFrame({'Integer Feature': [0, 1, 2, 1], 'Categorical Feature': ['socks', 'fox', 'socks', 'box']}) demo_df 接下来用for遍历: for indexs in demo_df.index: for

  • python NumPy ndarray二维数组 按照行列求平均实例

    我就废话不多说了,直接上代码吧! c = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]]) print(c.mean(axis=1))#行 print(c.mean(axis=0))#列 输出为: [ 2.5 5.5 8.5] [ 4. 5. 6. 7.] 以上这篇python NumPy ndarray二维数组 按照行列求平均实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们.

  • Python+numpy实现矩阵的行列扩展方式

    对于numpy矩阵,行列扩展有三种比较常用的方法: 1.使用矩阵对象的c_方法扩展列,使用矩阵对象的r_方法扩展行. 2.使用numpy扩展库提供的insert()函数,使用axis参数指定行或列. 3.使用numpy扩展库的row_stack()函数扩展行,column_stack()函数扩展列. 以上这篇Python+numpy实现矩阵的行列扩展方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们.

  • Python+numpy实现一个蜘蛛纸牌游戏

    目录 1.过程 2.思路 3.配置 4.代码 四.效果图 1.过程 蜘蛛纸牌大家玩过没有?之前的电脑上自带的游戏,用他来摸鱼过的举个手. 但是现在的电脑上已经没有蜘蛛纸牌了.所以…… 可不可以自己做一个呢? 想法有了,实践开始. 首先,应该怎么写?首选的方案就是pygame和numpy. 最后选了numpy.一是因为作者用电脑的时间比较短,没有时间力,而手机的在线编译器可以用numpy,不能用pygame.二是因为之前了解过numpy,但是pygame当时都没安装,是昨天才安装完毕的三是因为想挑

  • Python numpy 提取矩阵的某一行或某一列的实例

    如下所示: import numpy as np a=np.arange(9).reshape(3,3) a Out[31]: array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) 矩阵的某一行 a[1] Out[32]: array([3, 4, 5]) 矩阵的某一列 a[:,1] Out[33]: array([1, 4, 7]) b=np.eye(3,3) b Out[36]: array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0.,

  • 基于Python Numpy的数组array和矩阵matrix详解

    NumPy的主要对象是同种元素的多维数组.这是一个所有的元素都是一种类型.通过一个正整数元组索引的元素表格(通常是元素是数字). 在NumPy中维度(dimensions)叫做轴(axes),轴的个数叫做秩(rank,但是和线性代数中的秩不是一样的,在用python求线代中的秩中,我们用numpy包中的linalg.matrix_rank方法计算矩阵的秩,例子如下). 结果是: 线性代数中秩的定义:设在矩阵A中有一个不等于0的r阶子式D,且所有r+1阶子式(如果存在的话)全等于0,那末D称为矩阵

  • Python numpy中矩阵的基本用法汇总

    Python numpy中矩阵的基本用法汇总

    Python矩阵的基本用法 mat()函数将目标数据的类型转化成矩阵(matrix) 1,mat()函数和array()函数的区别 Numpy函数库中存在两种不同的数据类型(矩阵matrix和数组array),都可以用于处理行列表示的数字元素,虽然他们看起来很相似,但是在这两个数据类型上执行相同的数学运算可能得到不同的结果,其中Numpy函数库中的matrix与MATLAB中matrices等价. 直接看一个例子: import numpy as np a = np.mat('1 3;5 7')

  • python+numpy实现的基本矩阵操作示例

    本文实例讲述了python+numpy实现的基本矩阵操作.分享给大家供大家参考,具体如下: #! usr/bin/env python # coding: utf-8 # 学习numpy中矩阵的代码笔记 # 2018年05月29日15:43:40 # 参考网站:http://cs231n.github.io/python-numpy-tutorial/ import numpy as np #==================矩阵的创建,增删查改,索引,运算==================

随机推荐