NumPy - Indexation avancée
Il est possible de faire une sélection à partir de ndarray qui est une séquence non-tuple, un objet ndarray de type de données entier ou booléen, ou un tuple avec au moins un élément étant un objet séquence. L'indexation avancée renvoie toujours une copie des données. Par contre, le tranchage ne présente qu'une vue.
Il existe deux types d'indexation avancée - Integer et Boolean.
Indexation entière
Ce mécanisme aide à sélectionner n'importe quel élément arbitraire dans un tableau basé sur son index Ndimensional. Chaque tableau d'entiers représente le nombre d'index dans cette dimension. Lorsque l'index se compose d'autant de tableaux d'entiers que les dimensions du ndarray cible, cela devient simple.
Dans l'exemple suivant, un élément de la colonne spécifiée de chaque ligne de l'objet ndarray est sélectionné. Par conséquent, l'index de ligne contient tous les numéros de ligne et l'index de colonne spécifie l'élément à sélectionner.
Exemple 1
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print ySa sortie serait la suivante -
[1 4 5]La sélection comprend des éléments en (0,0), (1,1) et (2,0) du premier tableau.
Dans l'exemple suivant, les éléments placés aux coins d'un tableau 4X3 sont sélectionnés. Les indices de sélection de ligne sont [0, 0] et [3,3] tandis que les indices de colonne sont [0,2] et [0,2].
Exemple 2
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print 'Our array is:'
print x
print '\n'
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print 'The corner elements of this array are:'
print yLa sortie de ce programme est la suivante -
Our array is:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
The corner elements of this array are:
[[ 0 2]
[ 9 11]]La sélection résultante est un objet ndarray contenant des éléments d'angle.
L'indexation avancée et basique peut être combinée en utilisant une tranche (:) ou des points de suspension (…) avec un tableau d'index. L'exemple suivant utilise une tranche pour la ligne et un index avancé pour la colonne. Le résultat est le même lorsque slice est utilisé pour les deux. Mais l'index avancé entraîne une copie et peut avoir une disposition de mémoire différente.
Exemple 3
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print 'Our array is:'
print x
print '\n'
# slicing
z = x[1:4,1:3]
print 'After slicing, our array becomes:'
print z
print '\n'
# using advanced index for column
y = x[1:4,[1,2]]
print 'Slicing using advanced index for column:'
print yLe résultat de ce programme serait le suivant -
Our array is:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
After slicing, our array becomes:
[[ 4 5]
[ 7 8]
[10 11]]
Slicing using advanced index for column:
[[ 4 5]
[ 7 8]
[10 11]]Indexation de tableaux booléens
Ce type d'indexation avancée est utilisé lorsque l'objet résultant est censé être le résultat d'opérations booléennes, telles que des opérateurs de comparaison.
Exemple 1
Dans cet exemple, les éléments supérieurs à 5 sont renvoyés suite à l'indexation booléenne.
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print 'Our array is:'
print x
print '\n'
# Now we will print the items greater than 5
print 'The items greater than 5 are:'
print x[x > 5]Le résultat de ce programme serait -
Our array is:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
The items greater than 5 are:
[ 6 7 8 9 10 11]Exemple 2
Dans cet exemple, les éléments NaN (Not a Number) sont omis à l'aide de ~ (opérateur de complément).
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print a[~np.isnan(a)]Sa sortie serait -
[ 1. 2. 3. 4. 5.]Exemple 3
L'exemple suivant montre comment filtrer les éléments non complexes d'un tableau.
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print a[np.iscomplex(a)]Ici, la sortie est la suivante -
[2.0+6.j 3.5+5.j]