Извлечение Значений из NumPy ndarray: Полное Руководство

27.10.2025
16925

8 мин
374

Введение в NumPy ndarray и извлечение значений

Что такое NumPy ndarray?

NumPy ndarray (n-dimensional array) – это основной объект в библиотеке NumPy для Python, предназначенный для эффективного хранения и обработки многомерных массивов чисел. В отличие от стандартных списков Python, ndarray обеспечивает более высокую производительность за счет однородности типов данных и оптимизированных операций.

Почему важно уметь извлекать значения?

Извлечение значений из ndarray – фундаментальная операция при работе с данными. Она необходима для:

Фильтрации данных по определенным критериям.
Выбора подмножеств данных для анализа.
Модификации отдельных элементов или групп элементов.
Реализации алгоритмов машинного обучения и анализа данных.

Обзор методов извлечения значений

NumPy предоставляет широкий спектр методов для извлечения значений из ndarray, включая:

Простое индексирование.
Срезы.
Целочисленное индексирование.
Булево индексирование.
Продвинутые методы, такие как np.extract() и np.choose().

Простое индексирование: Доступ к отдельным элементам

Извлечение элементов в одномерных массивах

В одномерных массивах доступ к элементам осуществляется по индексу, начинающемуся с 0. Пример:

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Извлекаем элемент с индексом 2
element: np.int_ = arr[2]  # element = 30
print(f'{element=}')

Извлечение элементов в многомерных массивах (2D, 3D и т.д.)

В многомерных массивах необходимо указывать индекс для каждой размерности. Например, для 2D массива:

import numpy as np
from typing import Tuple

# Создаем двумерный массив
arr: np.ndarray[np.int_] = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Извлекаем элемент из строки 1, столбца 2
element: np.int_ = arr[1, 2]  # element = 6
print(f'{element=}')

# Альтернативный способ (эквивалентен arr[1, 2])
element: np.int_ = arr[(1, 2)] # element = 6
print(f'{element=}')

# Получение строки целиком
row: np.ndarray[np.int_] = arr[1, :] # row = [4, 5, 6]
print(f'{row=}')

# Получение столбца целиком
col: np.ndarray[np.int_] = arr[:, 2] # col = [3, 6, 9]
print(f'{col=}')

Использование отрицательных индексов

Отрицательные индексы позволяют обращаться к элементам с конца массива. -1 – последний элемент, -2 – предпоследний и т.д.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Извлекаем последний элемент
last_element: np.int_ = arr[-1]  # last_element = 50
print(f'{last_element=}')

Практические примеры и распространенные ошибки

Убедитесь, что индексы находятся в пределах допустимого диапазона. Обращение к несуществующему индексу вызовет IndexError.
При работе с многомерными массивами правильно указывайте индексы для каждой размерности.

Срезы: Извлечение подмассивов

Основы создания срезов: start, stop, step

Срезы позволяют извлекать подмассивы из ndarray. Синтаксис среза: [start:stop:step], где:

start – индекс начала среза (включительно). Если не указан, подразумевается 0.
stop – индекс конца среза (исключительно). Если не указан, подразумевается длина массива.
step – шаг среза. Если не указан, подразумевается 1.

Срезы в одномерных массивах

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Извлекаем элементы с индексами 1, 2 и 3
slice_arr: np.ndarray[np.int_] = arr[1:4]  # slice_arr = [20, 30, 40]
print(f'{slice_arr=}')

# Извлекаем элементы с начала массива до индекса 3
slice_arr: np.ndarray[np.int_] = arr[:3]  # slice_arr = [10, 20, 30]
print(f'{slice_arr=}')

# Извлекаем элементы с индекса 2 до конца массива
slice_arr: np.ndarray[np.int_] = arr[2:]  # slice_arr = [30, 40, 50]
print(f'{slice_arr=}')

# Извлекаем каждый второй элемент
slice_arr: np.ndarray[np.int_] = arr[::2]  # slice_arr = [10, 30, 50]
print(f'{slice_arr=}')

Срезы в многомерных массивах

Срезы в многомерных массивах применяются аналогично, но для каждой размерности.

import numpy as np

# Создаем двумерный массив
arr: np.ndarray[np.int_] = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Извлекаем подмассив из строк 0 и 1, столбцов 1 и 2
slice_arr: np.ndarray[np.int_] = arr[0:2, 1:3]  # slice_arr = [[2, 3], [5, 6]]
print(f'{slice_arr=}')

# Извлекаем все строки, начиная со столбца 1
slice_arr: np.ndarray[np.int_] = arr[:, 1:]  # slice_arr = [[2, 3], [5, 6], [8, 9]]
print(f'{slice_arr=}')

Комбинирование срезов с индексированием

Срезы можно комбинировать с индексированием для получения более сложных выборок.

import numpy as np

# Создаем двумерный массив
arr: np.ndarray[np.int_] = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Извлекаем элемент из строки 0, и применяем срез к этой строке
slice_arr: np.ndarray[np.int_] = arr[0, 1:]  # slice_arr = [2, 3]
print(f'{slice_arr=}')

Создание копий и представлений (views) при срезах

Важно понимать, что срезы обычно возвращают представление (view) исходного массива, а не копию. Это означает, что изменение среза приведет к изменению исходного массива. Чтобы создать копию, используйте метод .copy().

import numpy as np

# Создаем двумерный массив
arr: np.ndarray[np.int_] = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Создаем представление (view)
slice_arr: np.ndarray[np.int_] = arr[0:2, 1:3]
slice_arr[0, 0] = 100 # Изменяем элемент в срезе
print(f'{arr=}') # Исходный массив тоже изменился!

# Создаем копию
slice_arr_copy: np.ndarray[np.int_] = arr[0:2, 1:3].copy()
slice_arr_copy[0, 0] = 200 # Изменяем элемент в копии
print(f'{arr=}') # Исходный массив не изменился!

Целочисленное индексирование: Извлечение нескольких элементов

Извлечение элементов с использованием списков индексов

Целочисленное индексирование позволяет извлекать элементы, указывая список индексов.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Извлекаем элементы с индексами 0, 2 и 4
indices: np.ndarray[np.int_] = np.array([0, 2, 4])
elements: np.ndarray[np.int_] = arr[indices]  # elements = [10, 30, 50]
print(f'{elements=}')

Извлечение элементов из многомерных массивов с использованием списков индексов

Для многомерных массивов необходимо указать список индексов для каждой размерности.

import numpy as np

# Создаем двумерный массив
arr: np.ndarray[np.int_] = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Извлекаем элементы (0, 0), (1, 2) и (2, 1)
row_indices: np.ndarray[np.int_] = np.array([0, 1, 2])
col_indices: np.ndarray[np.int_] = np.array([0, 2, 1])
elements: np.ndarray[np.int_] = arr[row_indices, col_indices]  # elements = [1, 6, 8]
print(f'{elements=}')

Использование `np.take()` и `np.take_along_axis()`

Функции np.take() и np.take_along_axis() предоставляют альтернативные способы извлечения элементов по индексам.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Извлекаем элементы с индексами 0, 2 и 4 с помощью np.take
indices: np.ndarray[np.int_] = np.array([0, 2, 4])
elements: np.ndarray[np.int_] = np.take(arr, indices)  # elements = [10, 30, 50]
print(f'{elements=}')

Булево индексирование: Извлечение на основе условий

Создание булевых масок

Булево индексирование позволяет извлекать элементы, удовлетворяющие определенному условию. Сначала создается булева маска (массив значений True и False), а затем она используется для выбора элементов.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Создаем булеву маску: True для элементов больше 25, False - иначе
mask: np.ndarray[np.bool_] = arr > 25  # mask = [False, False,  True,  True,  True]
print(f'{mask=}')

Применение булевых масок для извлечения значений

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Создаем булеву маску: True для элементов больше 25, False - иначе
mask: np.ndarray[np.bool_] = arr > 25

# Извлекаем элементы, соответствующие True в маске
elements: np.ndarray[np.int_] = arr[mask]  # elements = [30, 40, 50]
print(f'{elements=}')

Комбинирование нескольких условий

Несколько условий можно комбинировать с помощью логических операторов & (и), | (или) и ~ (не).

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Создаем маску: True для элементов больше 20 И меньше 40
mask: np.ndarray[np.bool_] = (arr > 20) & (arr < 40)  # mask = [False, False,  True,  True, False]

# Извлекаем элементы, соответствующие True в маске
elements: np.ndarray[np.int_] = arr[mask]  # elements = [30, 40]
print(f'{elements=}')

Использование `np.where()`

Функция np.where() возвращает индексы элементов, удовлетворяющих условию. Ее также можно использовать для замены значений на основе условия.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Получаем индексы элементов больше 25
indices: np.ndarray[np.int_] = np.where(arr > 25)  # indices = [2, 3, 4]
print(f'{indices=}')

# Заменяем элементы больше 25 на 0
arr_modified: np.ndarray[np.int_] = np.where(arr > 25, 0, arr)  # arr_modified = [10, 20,  0,  0,  0]
print(f'{arr_modified=}')

Продвинутые методы извлечения значений

Использование `np.extract()`

Функция np.extract() извлекает элементы, соответствующие булевой маске, и возвращает их в виде одномерного массива.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Создаем булеву маску
mask: np.ndarray[np.bool_] = arr > 25

# Извлекаем элементы с помощью np.extract()
elements: np.ndarray[np.int_] = np.extract(mask, arr)  # elements = [30, 40, 50]
print(f'{elements=}')

Использование `np.choose()`

Функция np.choose() позволяет выбирать элементы из разных массивов на основе индексов.

import numpy as np

# Создаем массивы
arr1: np.ndarray[np.int_] = np.array([1, 2, 3])
arr2: np.ndarray[np.int_] = np.array([4, 5, 6])
arr3: np.ndarray[np.int_] = np.array([7, 8, 9])

# Создаем массив индексов
choice_indices: np.ndarray[np.int_] = np.array([0, 1, 2]) # Выбираем из arr1, arr2 и arr3 соответственно

# Извлекаем элементы с помощью np.choose()
elements: np.ndarray[np.int_] = np.choose(choice_indices, [arr1, arr2, arr3])  # elements = [1, 5, 9]
print(f'{elements=}')

Извлечение значений из структурированных массивов

NumPy поддерживает структурированные массивы, в которых каждый элемент может содержать несколько полей разных типов данных. Доступ к полям осуществляется по имени.

Изменение значений в ndarray

Изменение отдельных элементов

Изменение отдельных элементов выполняется с помощью индексирования.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Изменяем элемент с индексом 2
arr[2] = 100  # arr = [10, 20, 100, 40, 50]
print(f'{arr=}')

Изменение срезов

Изменение срезов позволяет изменять сразу группу элементов.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Изменяем элементы с индексами 1, 2 и 3
arr[1:4] = [200, 300, 400]  # arr = [10, 200, 300, 400, 50]
print(f'{arr=}')

Изменение с использованием булевого индексирования

Булево индексирование можно использовать для изменения элементов, удовлетворяющих определенному условию.

import numpy as np

# Создаем одномерный массив
arr: np.ndarray[np.int_] = np.array([10, 20, 30, 40, 50])

# Изменяем элементы больше 25 на 0
arr[arr > 25] = 0  # arr = [10, 20,  0,  0,  0]
print(f'{arr=}')

Оптимизация производительности при извлечении значений

Избегание ненужных копий

Как упоминалось ранее, срезы обычно возвращают представления, а не копии. Если требуется изменить срез без изменения исходного массива, необходимо создать копию с помощью .copy().

Векторизация операций

NumPy оптимизирован для выполнения векторизованных операций, которые применяются к массиву целиком, а не к отдельным элементам в цикле. Векторизация значительно повышает производительность.

Использование `np.asarray()` и `np.ascontiguousarray()`

Функции np.asarray() и np.ascontiguousarray() могут быть полезны для оптимизации производительности. np.asarray() преобразует входные данные в ndarray, если это еще не ndarray. np.ascontiguousarray() создает contiguous-копию массива, что может улучшить производительность для определенных операций.

Примеры практического применения

Фильтрация данных

Фильтрация данных – одна из наиболее распространенных задач, решаемых с помощью извлечения значений из ndarray. Например, можно отфильтровать данные о продажах, чтобы выбрать только те транзакции, которые превышают определенную сумму.

Анализ изображений

Изображения можно представить в виде многомерных массивов, где каждый элемент представляет собой значение пикселя. Извлечение значений позволяет выполнять такие операции, как выделение объектов, изменение яркости и контрастности.

Обработка сигналов

Сигналы (например, аудио или электрокардиограммы) можно представить в виде одномерных массивов. Извлечение значений позволяет выполнять такие операции, как фильтрация шума и обнаружение аномалий.

Заключение

Краткий обзор методов извлечения значений

В этой статье мы рассмотрели основные методы извлечения значений из NumPy ndarray, включая простое индексирование, срезы, целочисленное и булево индексирование, а также продвинутые методы, такие как np.extract() и np.choose(). Мы также обсудили вопросы производительности и примеры практического применения.