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中Json和其他类型相互转换的实现示例

Python中Json和其他类型相互转换的实现示例

《Python中Json和其他类型相互转换的实现示例》本文介绍了在Python中使用json模块实现json数据与dict、object之间的高效转换,包括loads(),load(),dumps()... 项目中经常会用到json格式转为object对象、dict字典格式等。在此做个记录，方便后续用到该方
阅读更多...
从基础到高级详解Python数值格式化输出的完全指南

从基础到高级详解Python数值格式化输出的完全指南

《从基础到高级详解Python数值格式化输出的完全指南》在数据分析、金融计算和科学报告领域,数值格式化是提升可读性和专业性的关键技术,本文将深入解析Python中数值格式化输出的相关方法,感兴趣的小伙... 目录引言：数值格式化的核心价值一、基础格式化方法1.1 三种核心格式化方式对比1.2 基础格式化示例
阅读更多...
Python与MySQL实现数据库实时同步的详细步骤

Python与MySQL实现数据库实时同步的详细步骤

《Python与MySQL实现数据库实时同步的详细步骤》在日常开发中,数据同步是一项常见的需求,本篇文章将使用Python和MySQL来实现数据库实时同步,我们将围绕数据变更捕获、数据处理和数据写入这... 目录前言摘要概述：数据同步方案1. 基本思路2. mysql Binlog 简介实现步骤与代码示例1
阅读更多...
sysmain服务可以禁用吗? 电脑sysmain服务关闭后的影响与操作指南

sysmain服务可以禁用吗? 电脑sysmain服务关闭后的影响与操作指南

《sysmain服务可以禁用吗?电脑sysmain服务关闭后的影响与操作指南》在Windows系统中，SysMain服务（原名Superfetch）作为一个旨在提升系统性能的关键组件，一直备受用户关... 在使用 Windows 系统时，有时候真有点像在「开盲盒」。全新安装系统后的「默认设置」，往往并不尽编
阅读更多...
Python ORM神器之SQLAlchemy基本使用完全指南

Python ORM神器之SQLAlchemy基本使用完全指南

《PythonORM神器之SQLAlchemy基本使用完全指南》SQLAlchemy是Python主流ORM框架,通过对象化方式简化数据库操作,支持多数据库,提供引擎、会话、模型等核心组件,实现事务... 目录一、什么是SQLAlchemy？二、安装SQLAlchemy三、核心概念1. Engine（引擎）
阅读更多...
Ubuntu如何升级Python版本

Ubuntu如何升级Python版本

《Ubuntu如何升级Python版本》Ubuntu22.04Docker中,安装Python3.11后,使用update-alternatives设置为默认版本,最后用python3-V验证... 目China编程录问题描述前提环境解决方法总结问题描述Ubuntu22.04系统自带python3.10，想升级
阅读更多...
Python自动化处理PDF文档的操作完整指南

Python自动化处理PDF文档的操作完整指南

《Python自动化处理PDF文档的操作完整指南》在办公自动化中,PDF文档处理是一项常见需求,本文将介绍如何使用Python实现PDF文档的自动化处理,感兴趣的小伙伴可以跟随小编一起学习一下... 目录使用pymupdf读写PDF文件基本概念安装pymupdf提取文本内容提取图像添加水印使用pdfplum
阅读更多...
Python 基于http.server模块实现简单http服务的代码举例

Python 基于http.server模块实现简单http服务的代码举例

《Python基于http.server模块实现简单http服务的代码举例》Pythonhttp.server模块通过继承BaseHTTPRequestHandler处理HTTP请求,使用Threa... 目录测试环境代码实现相关介绍模块简介类及相关函数简介参考链接测试环境win11专业版python
阅读更多...
Python从Word文档中提取图片并生成PPT的操作代码

Python从Word文档中提取图片并生成PPT的操作代码

《Python从Word文档中提取图片并生成PPT的操作代码》在日常办公场景中,我们经常需要从Word文档中提取图片,并将这些图片整理到PowerPoint幻灯片中,手动完成这一任务既耗时又容易出错,... 目录引言背景与需求解决方案概述代码解析代码核心逻辑说明总结引言在日常办公场景中，我们经常需要从 W
阅读更多...
基于Python实现自动化邮件发送系统的完整指南

基于Python实现自动化邮件发送系统的完整指南

《基于Python实现自动化邮件发送系统的完整指南》在现代软件开发和自动化流程中,邮件通知是一个常见且实用的功能,无论是用于发送报告、告警信息还是用户提醒,通过Python实现自动化的邮件发送功能都能... 目录一、前言：二、项目概述三、配置文件 `.env` 解析四、代码结构解析1. 导入模块2. 加载环
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2