Indeksowanie, wycinanie i zaawansowane indeksowanie
Proszę uzyskiwać dostęp do elementów tablic i modyfikować je za pomocą zaawansowanych technik indeksowania.
Indeksowanie, wycinanie i zaawansowane indeksowanie to bezpłatna lekcja Python Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python Academy zawiera 4 lekcji w sumie.
Podstawowe indeksowanie
Elementy są dostępne za pomocą indeksów całkowitych liczonych od zera. Indeksy ujemne są liczone od końca. W tablicach wielowymiarowych należy używać indeksów oddzielonych przecinkami.
import numpy as np
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(arr[0, 2]) # 3
print(arr[-1, -1]) # 9
print(arr[1]) # [4 5 6]Wycinanie
Składnia wycinania start:stop:step zwraca widok. Jest stosowana niezależnie w każdym wymiarze.
import numpy as np
m = np.arange(16).reshape(4,4)
print(m[1:3, 1:3])
# [[5 6]
# [9 10]]
print(m[::2, ::2]) # every other row and columnIndeksowanie logiczne (maskowanie)
Przekazanie tablicy wartości logicznych o tym samym kształcie pozwala wybrać elementy, dla których wartość to True.
import numpy as np
arr = np.array([1, -2, 3, -4, 5])
mask = arr > 0
print(mask) # [ True False True False True]
print(arr[mask]) # [1 3 5]
arr[~mask] = 0 # set negatives to 0
print(arr) # [1 0 3 0 5]Zaawansowane indeksowanie za pomocą tablic całkowitoliczbowych
Przekazanie tablicy indeksów całkowitoliczbowych pozwala wybrać wiele określonych elementów.
import numpy as np
arr = np.array([10, 20, 30, 40, 50])
idx = np.array([0, 2, 4])
print(arr[idx]) # [10 30 50]
# 2-D fancy indexing:
m = np.arange(9).reshape(3,3)
print(m[[0,2], [0,2]]) # [m[0,0], m[2,2]] = [0, 8]np.where do indeksowanego wyboru
np.where(condition) (z jednym argumentem) zwraca indeksy, dla których warunek ma wartość True.
import numpy as np
arr = np.array([5, 2, 8, 1, 9])
idx = np.where(arr > 4)[0]
print(idx) # [0 2 4]
print(arr[idx]) # [5 8 9]np.take i np.put
np.take(arr, indices) wybiera elementy (obsługuje indeksowanie spłaszczonej tablicy). np.put(arr, indices, values) wstawia wartości.
import numpy as np
arr = np.array([10, 20, 30, 40])
print(np.take(arr, [1, 3])) # [20 40]
np.put(arr, [0, 2], [99, 88])
print(arr) # [99 20 88 40]np.nonzero
np.nonzero(arr) zwraca krotkę tablic — po jednej na każdy wymiar — zawierających indeksy elementów niezerowych.
import numpy as np
arr = np.array([[0,1,0],[2,0,3]])
rows, cols = np.nonzero(arr)
print(rows, cols) # [0 1 1] [1 0 2]Indeksowanie za pomocą wielokropka
... (Ellipsis) rozwija się do tylu znaków :, ile potrzeba do objęcia pozostałych wymiarów.
import numpy as np
arr = np.ones((2,3,4,5))
print(arr[0, ..., 2].shape) # (3, 4) — first dim=0, last dim=2
print(arr[..., 0].shape) # (2, 3, 4) — last dim=0np.ix_ do indeksowania zewnętrznego
np.ix_ tworzy otwartą siatkę z wielu sekwencji jednowymiarowych na potrzeby zaawansowanego indeksowania w stylu iloczynu zewnętrznego.
import numpy as np
m = np.arange(25).reshape(5,5)
rows = [0, 2, 4]
cols = [1, 3]
print(m[np.ix_(rows, cols)])
# [[ 1 3]
# [11 13]
# [21 23]]Przypisywanie do indeksu zaawansowanego
Do elementów wybranych za pomocą indeksowania zaawansowanego można przypisywać wartości bezpośrednio.
import numpy as np
arr = np.zeros(5)
arr[[1, 3]] = [10, 20]
print(arr) # [ 0. 10. 0. 20. 0.]
# Broadcast a scalar:
arr[[0, 2, 4]] = 99
print(arr) # [99. 10. 99. 20. 99.]Różnica między widokiem a kopią w indeksowaniu
Indeksowanie podstawowe/wycinanie → widok (modyfikowanie zmienia oryginał). Indeksowanie zaawansowane/logiczne → kopia (modyfikowanie NIE zmienia oryginału).
import numpy as np
arr = np.arange(5)
view = arr[1:4] # view
view[0] = 99
print(arr) # [0 99 2 3 4]
copy = arr[[1,2,3]] # fancy → copy
copy[0] = 0
print(arr) # unchangedSzybkie sprawdzenie
Czy indeksowanie logiczne/zaawansowane zwraca widok, czy kopię?
Podsumowanie
Do pojedynczych elementów należy używać [row, col], do wycinania — start:stop:step (widoki), do maskowania — tablic wartości logicznych (kopie), a do zaawansowanego indeksowania — tablic całkowitoliczbowych (kopie). np.where służy do uzyskiwania indeksów, a np.ix_ do tworzenia siatek zewnętrznych.
Często zadawane pytania
Czy lekcja „Indeksowanie, wycinanie i zaawansowane indeksowanie” jest bezpłatna?
Tak — pełny tekst „Indeksowanie, wycinanie i zaawansowane indeksowanie” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python Academy, przejdź na CoddyKit PRO. Kurs Python Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Indeksowanie, wycinanie i zaawansowane indeksowanie”?
Proszę uzyskiwać dostęp do elementów tablic i modyfikować je za pomocą zaawansowanych technik indeksowania. Ćwiczysz Python Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Python Academy?
Nie wymagamy żadnego doświadczenia. Python Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Indeksowanie, wycinanie i zaawansowane indeksowanie”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Python Academy?
Tak. Każda lekcja Python Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Tablice NumPy i dtypes
- Operacje na tablicach i broadcasting
- Indeksowanie, wycinanie i zaawansowane indeksowanie
- Algebra liniowa z NumPy