python数组列表操作简记二

2024-08-23 23:52
文章标签 python 数组 操作 列表 简记

本文主要是介绍python数组列表操作简记二，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

python数组列表操作简记二

  • 一、列表配对组合为新列表或字典
    • 1.1多个列表配对组合为新列表
    • 1.2两个列表配对转换为字典
  • 二、数组加减乘除运算
    • 2.1一维数组加减除运算
    • 2.2一维数组乘法运算
  • 三、数组切片读取
    • 3.1一维数组切片读取
    • 3.2二维数组切片读取
    • 3.3三维数组切片读取
  • 四、数组简单筛选
    • 4.1筛选数组中满足指定条件的元素
    • 4.2筛选数组中最大最小元素及索引
  • 五、数组其他操作
    • 5.1数组元素进行约分
    • 5.2数组复制
  • 参考文档

一、列表配对组合为新列表或字典

1.1多个列表配对组合为新列表

使用python的内置zip函数可将多个列表配对组合为一个新的列表，新列表中元素为原列表同一位置的元素组成的tuple类型元素，但zip函数并不直接返回列表变量，而是返回迭代器，可对其进行迭代读取，也可转换为列表变量。
示例代码如下：

lt01 = [1, 2, 3, 4]
lt02 = ['a', 'b', 'c', 'd']
lt03 = [5, 6, 7, 8]
for item in zip(lt01, lt02, lt03):print(item)print(item[0])print(item[1])print(item[2])lt04 = list(zip(lt01, lt02, lt03))

zip对拆分组合的列表长度不要求一致，当列表长度不一致时会匹配到最短长度的列表的最后一个元素，其他列表的元素会被忽略掉。

组合成的新列表也可通过zip逆操作得到原始列表，示例代码如下：

lt05, lt06, lt07 = zip(*lt04)

1.2两个列表配对转换为字典

zip函数可将两个列表配对转换为字典变量，第一个列表的元素作为键，第二个列表的元素作为对应的值，示例代码如下：

lt01 = [1, 2, 3, 4]
lt02 = ['a', 'b', 'c', 'd']
dict01 = dict(zip(lt01, lt02))

当两个列表长度不一致时，以较短长度的列表为准，此外对于第一个列表如果有重复的元素，那么该元素对应的键值会被后一个键值覆盖掉。

二、数组加减乘除运算

以numpy定义的一维数组为例，进行加减乘除运算。

2.1一维数组加减除运算

一维数组加减运算，既可以是加减一个常数，也可以是一维数组间相同位置元素进行加减，示例代码如下：

import numpy as npa01 = np.array([1, 2, 3, 4])
a02 = np.array([0, 1, 2, 3])
a03 = a01 + 1
a03 = np.add(a01, 1)#与上行代码效果相同
a04 = a01 - 1
a04 = np.subtract(a01, 1)#与上行代码效果相同
a05 = a01 + a02
a05 = np.add(a01, a02)#与上行代码效果相同
a06 = a01 - a02
a06 = np.subtract(a01, a02)#与上行代码效果相同

一维数组除法运算，既可以是除上一个常数，也可以是一维数组间相同位置元素进行除法，示例代码如下：

import numpy as npa01 = np.array([4, 5, 6, 7])
a02 = np.array([1, 2, 3, 4])
a03 = a01 / 2
a03 = np.divide(a01, 2)#与上行代码效果相同
a04 = a01 // 2#得到除以2的整数部分，相当于除以2后再进行int类型强转换
a04 = a01 % 2#对2取余数
a05 = a01 / a02
a05 = np.divide(a01, a02)#与上行代码效果相同
a06 = a01 // a02
a06 = a01 % a02

2.2一维数组乘法运算

一维数组可认作向量，向量的乘法常见的有4种，分别为相同位置元素相乘、点积、叉积、外积，示例代码如下：

import numpy as npa01 = np.array([1, 2, 3, 4])
a02 = np.array([0, 1, 2, 3])
a03 = a01 * 2
a03 = np.multiply(a01, 2)#与上行代码效果相同
a03 = a01 ** 2#2次方运算
a04 = a01 * a02#相同位置元素相乘
a04 = np.multiply(a01, a02)#与上行代码效果相同
a05 = a01.dot(a02)#点积，结果为数值，运算过程与数学上的数量积运算一致
a05 = a02.dot(a01)#与上行代码结果相同
a05 = np.dot(a01, a02)#与上行代码结果相同a06 = np.outer(a01, a02)#外积，结果为使用a01中的每个元素乘以a02向量，最终得到一个4×4的矩阵a01 = np.array([1, 2, 3])
a02 = np.array([0, 1, 2])
a07 = np.cross(a01, a02)#叉积，叉积运算只能用于二维向量或三维向量，二维向量的叉积结果为数值，三维叉积结果为向量，运算过程与数学上的向量积运算一致

三、数组切片读取

以numpy定义的数组为例。

3.1一维数组切片读取

一维数组切片读取方式，与列表读取方式一致，示例代码如下：

import numpy as npa01 = np.array([1,2,3,4,5,6])
a02 = a01[1:6]
a02 = a01[:-1]
a02 = a01[1:]
a02 = a01[1:6:2]#获取索引为1到5的元素，步长为2
a02 = a01[::2]#获取奇数组
a02 = a01[1::2]#获取偶数组

3.2二维数组切片读取

二维数组可认作矩阵，示例代码如下：

import numpy as npa01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])a02 = a01[1]#取矩阵第二行，输出如下
array([5, 6, 7, 8])a02 = a01[1,:]#取矩阵第二行，输出如下
array([5, 6, 7, 8])a02 = a01[0:2]#取矩阵第一、二行，输出如下
array([[1, 2, 3, 4],[5, 6, 7, 8]])a02 = a01[0:2,:]#取矩阵第一、二行，输出如下
array([[1, 2, 3, 4],[5, 6, 7, 8]])a03 = a01[:,0]#取矩阵第一列，输出如下
array([1, 5, 9])a03 = a01[:,0:2]#取矩阵第一、二列，输出如下
array([[ 1,  2],[ 5,  6],[ 9, 10]])a04 = a01[1,1:]#取矩阵第二行的第二个列元素至最后一个列元素，返回一维数组，输出如下
array([6, 7, 8])a04 = a01[1:,1]#取矩阵第二列的第二个行元素至最后一个行元素，返回一维数组，输出如下
array([ 6, 10])a04 = a01[1:,1:]#取矩阵第二行、第二列开始至最后一个行列元素，返回二维数组，输出如下
array([[ 6,  7,  8],[10, 11, 12]])a04 = a01[0::2,1::2]#取矩阵第一行、第二列开始至最后一个行列元素，步长为2，返回二维数组，输出如下
array([[ 2,  4],[10, 12]])

二维数组的读取可以简单概括为通过行索引,列索引指定，行索引与列索引之间用逗号隔开，行列索引语法规则与一维数组及列表读取的语法一致。

3.3三维数组切片读取

三维数组切片读取与二维数组切片读取类似，可以简单概括为通过第一维索引,第二维索引,第三维索引指定，索引之间用逗号隔开。示例代码如下：

import numpy as npa01 = np.array([[[1,2,3,4],[5,6,7,8],[9,10,11,12]], [[10,20,30,40],[50,60,70,80],[90,100,110,120]]])#维度为2×3×4，输出如下
array([[[  1,   2,   3,   4],[  5,   6,   7,   8],[  9,  10,  11,  12]],[[ 10,  20,  30,  40],[ 50,  60,  70,  80],[ 90, 100, 110, 120]]])a02 = a01[0]#输出如下
array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])a02 = a01[:,0,:]#输出如下
array([[ 1,  2,  3,  4],[10, 20, 30, 40]])a02 = a01[:,:,0]#输出如下
array([[ 1,  5,  9],[10, 50, 90]])a02 = a01[:,0:2,1:3]#输出如下
array([[[ 2,  3],[ 6,  7]],[[20, 30],[60, 70]]])a02 = a01[1:,0:2,0:3:2]#输出如下
array([[[10, 30],[50, 70]]])

三维数组切片读取时，要注意读取出来的数组维度，并不容易直观判断出来。

四、数组简单筛选

以numpy定义的数组为例。

4.1筛选数组中满足指定条件的元素

示例代码如下：

import numpy as npa01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])a02 = a01[a01 > 6]#筛选出数组中大于6的元素，输出如下
array([ 7,  8,  9, 10, 11, 12])a03 = a01 > 6#输出如下
array([[False, False, False, False],[False, False,  True,  True],[ True,  True,  True,  True]])a04 = a01[a03]#结果与a01[a01>6]相同，输出如下
array([ 7,  8,  9, 10, 11, 12])a03 = (a01 > 6) & (a01 < 10)#输出如下
array([[False, False, False, False],[False, False,  True,  True],[ True, False, False, False]])a04 = a01[a03]#筛选出数组中大于6小于10的元素，输出如下
array([7, 8, 9])

4.2筛选数组中最大最小元素及索引

示例代码如下：

import numpy as npa01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])min_a01 = np.min(a01)#获取数组中最小元素，输出如下
1index01 = np.argmin(a01)#获取数组中最小元素的索引，索引为数组展平为一维数组后的索引，输出如下
0max_a01 = np.max(a01)#获取数组中最大元素，输出如下
12index02 = np.argmax(a01)#获取数组中最大元素的索引，索引为数组展平为一维数组后的索引，输出如下
11min_a01_column = np.min(a01, 0)#获取数组中每一列最小元素，返回数组，输出如下
array([1, 2, 3, 4])a02 = np.argmin(a01, 0)#获取数组中每一列最小元素的索引，返回数组，输出如下
array([0, 0, 0, 0], dtype=int64)min_a01_row = np.min(a01, 1)#获取数组中每一行最小元素，返回数组，输出如下
array([1, 5, 9])a02 = np.argmin(a01, 1)#获取数组中每一行最小元素的索引，返回数组，输出如下
array([0, 0, 0], dtype=int64)max_a01_column = np.max(a01, 0)#获取数组中每一列最大元素，返回数组，输出如下
array([ 9, 10, 11, 12])a03 = np.argmax(a01, 0)#获取数组中每一列最大元素的索引，返回数组，输出如下
array([2, 2, 2, 2], dtype=int64)max_a01_row = np.max(a01, 1)#获取数组中每一行最大元素，返回数组，输出如下
array([ 4,  8, 12])a03 = np.argmax(a01, 1)#获取数组中每一行最大元素的索引，返回数组，输出如下
array([3, 3, 3], dtype=int64)

使用上述代码获取数组最大最小元素及索引时，如果数组中存在nan值，会将nan值作为最大和最小元素，如果想要忽略nan值，可以使用nanargmin、nanmin、nanargmax、nanmax函数。

五、数组其他操作

以numpy定义的数组为例。

5.1数组元素进行约分

示例代码如下：

import numpy as npa01 = np.array([[1.4,2.5,3.5,4.6],[5.44,6.45,7.55,8.46]])#维度为2×4，输出如下
array([[1.4 , 2.5 , 3.5 , 4.6 ],[5.44, 6.45, 7.55, 8.46]])a02 = np.round(a01, 1)#保留一位小数进行约分，输出如下
array([[1.4, 2.5, 3.5, 4.6],[5.4, 6.4, 7.6, 8.5]])a02 = np.round(a01, 0)#保留整数位进行约分，输出如下
array([[1., 2., 4., 5.],[5., 6., 8., 8.]])

从上述代码及执行结果可看出，numpy的round函数约分时满足四舍六入五看单双的规则，这一点与python的内置round函数不同，内置round函数在约分时会考虑到浮点数表示的精度问题，所以导致看上去可能不符合约分规则。想要看到浮点数的实际大小，可通过如下代码查看：

import decimalprint(decimal.Decimal(6.45))#输出如下
6.45000000000000017763568394002504646778106689453125print(decimal.Decimal(3.125))#输出如下
3.125

5.2数组复制

数组复制，示例代码如下：

import numpy as npa01 = np.array([1.4,2.5,3.5,4.6])#输出如下
array([1.4, 2.5, 3.5, 4.6])a02 = a01
a03 = np.copy(a01)a01[0] = 0#改变a01的第一个元素值后，a01、a02、a03分别如下
array([0. , 2.5, 3.5, 4.6])
array([0. , 2.5, 3.5, 4.6])
array([1.4, 2.5, 3.5, 4.6])a02[1] = 0#改变a02的第二个元素值后，a01、a02、a03分别如下
array([0. , 0. , 3.5, 4.6])
array([0. , 0. , 3.5, 4.6])
array([1.4, 2.5, 3.5, 4.6])a03[3] = 0#改变a03的第四个元素值后，a01、a02、a03分别如下
array([0. , 0. , 3.5, 4.6])
array([0. , 0. , 3.5, 4.6])
array([1.4, 2.5, 3.5, 0. ])

由上述代码可知，采用直接赋值的形式，新数组与原数组共享内存，改变数组内元素值后另一数组也会同步变化，使用copy函数，新数组与原数组互不影响，这一点与列表的复制相同。

参考文档

Python: NumPy中的多维数组ndarray
细说NumPy数组的四种乘法，带你走进向量运算的奇妙世界
【Python之numpy库】12.np.round() 对数组/一堆数保留n位小数
python print设置输出宽度 python输出结果宽度

这篇关于python数组列表操作简记二的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1100858。

相关文章

Python基础语法中defaultdict的使用小结

Python基础语法中defaultdict的使用小结

《Python基础语法中defaultdict的使用小结》Python的defaultdict是collections模块中提供的一种特殊的字典类型,它与普通的字典（dict）有着相似的功能,本文主要... 目录示例1示例2python的defaultdict是collections模块中提供的一种特殊的字
阅读更多...
利用Python快速搭建Markdown笔记发布系统

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言：为什么要自建知识博客一、技术选型：极简主义开发栈二、系统架构设计三、核心代码实现（分步解析
阅读更多...
基于Python实现高效PPT转图片工具

基于Python实现高效PPT转图片工具

《基于Python实现高效PPT转图片工具》在日常工作中,PPT是我们常用的演示工具,但有时候我们需要将PPT的内容提取为图片格式以便于展示或保存,所以本文将用Python实现PPT转PNG工具,希望... 目录1. 概述2. 功能使用2.1 安装依赖2.2 使用步骤2.3 代码实现2.4 GUI界面3.效
阅读更多...
Python获取C++中返回的char*字段的两种思路

Python获取C++中返回的char*字段的两种思路

《Python获取C++中返回的char*字段的两种思路》有时候需要获取C++函数中返回来的不定长的char*字符串,本文小编为大家找到了两种解决问题的思路,感兴趣的小伙伴可以跟随小编一起学习一下... 有时候需要获取C++函数中返回来的不定长的char*字符串，目前我找到两种解决问题的思路，具体实现如下：
阅读更多...
python连接本地SQL server详细图文教程

python连接本地SQL server详细图文教程

《python连接本地SQLserver详细图文教程》在数据分析领域,经常需要从数据库中获取数据进行分析和处理,下面：本文主要介绍python连接本地SQLserver的相关资料,文中通过代码... 目录一.设置本地账号1.新建用户2.开启双重验证3,开启TCP/IP本地服务二js.python连接实例1.
阅读更多...
基于Python和MoviePy实现照片管理和视频合成工具

基于Python和MoviePy实现照片管理和视频合成工具

《基于Python和MoviePy实现照片管理和视频合成工具》在这篇博客中,我们将详细剖析一个基于Python的图形界面应用程序,该程序使用wxPython构建用户界面,并结合MoviePy、Pill... 目录引言项目概述代码结构分析1. 导入和依赖2. 主类：PhotoManager初始化方法：__in
阅读更多...
Python从零打造高安全密码管理器

Python从零打造高安全密码管理器

《Python从零打造高安全密码管理器》在数字化时代,每人平均需要管理近百个账号密码,本文将带大家深入剖析一个基于Python的高安全性密码管理器实现方案,感兴趣的小伙伴可以参考一下... 目录一、前言：为什么我们需要专属密码管理器二、系统架构设计2.1 安全加密体系2.2 密码强度策略三、核心功能实现详解
阅读更多...
Python Faker库基本用法详解

Python Faker库基本用法详解

《PythonFaker库基本用法详解》Faker是一个非常强大的库,适用于生成各种类型的伪随机数据,可以帮助开发者在测试、数据生成、或其他需要随机数据的场景中提高效率,本文给大家介绍PythonF... 目录安装基本用法主要功能示例代码语言和地区生成多条假数据自定义字段小结Faker 是一个 python
阅读更多...
Python实现AVIF图片与其他图片格式间的批量转换

Python实现AVIF图片与其他图片格式间的批量转换

《Python实现AVIF图片与其他图片格式间的批量转换》这篇文章主要为大家详细介绍了如何使用Pillow库实现AVIF与其他格式的相互转换,即将AVIF转换为常见的格式,比如JPG或PNG,需要的小... 目录环境配置1.将单个 AVIF 图片转换为 JPG 和 PNG2.批量转换目录下所有 AVIF 图
阅读更多...
Python通过模块化开发优化代码的技巧分享

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版：拆分成模块让模块更强大：使用 __init__.py你一定会遇到的问题模www.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2