numpy数组提示超出索引，但单独计算时没有问题

限制索引取值范围（0到 (数组长度-1)），或者增加数组的长度

数组元素用整个数组的名字和它自己在数组中的顺序位置来表示。例如，a[0]表示名字为a的数组中的第一个元素，a[1]代表数组a的第二个元素，以此类推。

数组是通过下表进行访问，但超出下标（索引）最大值（数组长度-1）就会访问超出界限

如：int [] arr= new int[2];;

arr[0]=1;

arr[1]=2;

--此数组长度为2，下标最大为1（数组下标从0开始）

--如果下标超出0-1这个范围就会出现索引超出界限问题。

--限制下标（索引）的取值范围，或者数组长度增加都可以防止索引超出界限

NumPy数组（1、数组初探）

更新

目前我的工作是将NumPy引入到Pyston中（一款Dropbox实现的Python编译器/解释器）。在工作过程中，我深入接触了NumPy源码，了解其实现并提交了PR修复NumPy的bug。在与NumPy源码以及NumPy开发者打交道的过程中，我发现当今中文NumPy教程大部分都是翻译或参考英文文档，因此导致了许多疏漏。比如NumPy数组中的broadcast功能，几乎所有中文文档都翻译为“广播”。而NumPy的开发者之一，回复到“broadcast is a compound -- native English speakers can see that it's " broad" + "cast" = "cast (scatter, distribute) broadly, I guess "cast (scatter, distribute) broadly" probably is closer to the meaning（NumPy中的含义）"。有鉴于此，我打算启动一个项目，以我对NumPy使用以及源码层面的了解编写一个系列的教程。

地址随后会更新。CSDN的排版（列表）怎么显示不正常了。。。

NumPy数组

NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：

实际的数据

描述这些数据的元数据

大部分 *** 作仅针对于元数据，而不改变底层实际的数据。

关于NumPy数组有几点必需了解的：

NumPy数组的下标从0开始。

同一个NumPy数组中所有元素的类型必须是相同的。

NumPy数组属性

在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

NumPy的数组中比较重要ndarray对象属性有：

ndarrayndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。

ndarrayshape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。ndarrayshape返回一个元组，这个元组的长度就是维度的数目，即ndim属性。

ndarraysize：数组元素的总个数，等于shape属性中元组元素的乘积。

ndarraydtype：表示数组中元素类型的对象，可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。

ndarrayitemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），又如，一个元素类型为complex32的数组item属性为4（32/8）。

ndarraydata：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

创建数组

先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。　

1python自带数据结构：序列（如list）、映射（如字典）、集合（set）。

以下只介绍序列中的list：

创建list：

list1 = []

list1 = [1,2,3,4,5,6,7,8,9] #逗号隔开

list2 = [[1,2],[3,4],[5,6],[7,8]] #list2长度(len(list2))为2,list2[0] = [1,2]

liststring = list(“thisisalist”) #只用于创建字符串列表

索引list：

e = list1[0] #下标从零开始，用中括号

分片list：

es = list1[0:3]

es = list1[0:9:2] #步长在第二个冒号后

list拼接（list1append(obj)、加运算及乘运算）：

list长度：

list每个元素乘一个数值：

list2 = numpydot(list2,2)

list类似矩阵相乘（每个元素对应相乘取和）：

list3 = numpydot(list1,list1)

#要求相乘的两个list长度相同

list3 = numpydot(list2,list22)

#要求numpyshape(list2)和numpyshape(list22)满足“左行等于右列”的矩阵相乘条件，相乘结果numpyshape(list3)满足“左列右行”

2numpy数据结构：

Array：

产生array：

data=nparray([[1, 9, 6], [2, 8, 5], [3, 7, 4]])

data=nparray(list1)

data1 = npzeros(5) #data1shape = (5,),5列

data1 = npeye(5)

索引array:

datacut = data[0,2] #取第零行第二列，此处是6

切片array：

datacut = data[0:2,2] # array([6, 5])

array长度：

datashape

datasize

npshape(data)

npsize(data)

len(data)

array拼接：

#括号内也有一个括号（中括号或者小括号）！

d = npconcatenate((data,data))

d = npconcatenate((data,data),axis = 1) #对应行拼接

array加法：逐个相加

array乘法：

d = data data #逐个相乘

d = npdot(data,data) #矩阵相乘

d = data 3 #每个元素乘3

d = npdot(data,3) #每个元素乘3

array矩阵运算：

取逆 : nplinalginv(data)

转置：dataT

所有元素求和 : npsum(data)

生成随机数：nprandomnormal(loc=0, scale=10, size=None)

生成标准正态分布随机数组：nprandomnormal(size=(4,4))

生成二维随机数组：

nprandommultivariate_normal([0,0],npeye(2))

生成范围在0到1之间的随机矩阵(M,N)：

nprandomrandint(0,2,(M,N))

Matrix:

创建matrix：

mat1 = npmat([[1, 2, 3], [4, 5, 6]])

mat1 = npmat(list)

mat1 = npmat(data)

matrix是二维的，所有+，-，都是矩阵 *** 作。

matrix索引和分列：

mat1[0:2，1]

matrix转置：

nptranspose(mat1)

mat1transpose()

matrix拼接：

npconcatenate([mat1,mat1])

npconcatenate([mat1,mat1],axis = 1)

numpy数据结构总结：对于numpy中的数据结构的 *** 作方法基本相同：

创建：npmat(list),nparray(list)

矩阵乘：npdot(x,y)

转置：xT or nptranspose(x)

拼接：npconcatenate([x,y],axis = 1)

索引：mat[0:1,4],ary[0:1,4]

3pandas数据结构:

Series:

创建series：

s = pdSeries([[1,2,3],[4,5,6]],index = [‘a’,‘b’])

索引series：

s1 = s[‘b’]

拼接series：

pdconcat([s1,s1],axis = 1) #也可使用sappend(s)

DataFrame:

创建DaraFrame:

df = pdDataFrame([[1,2,3],[1,2,3]],index = ['a','b'],columns = ['x','y','z'])

df取某一列：

dfc1 =dfx

dfc1 = df[‘x’]

dfc2 = dfiloc[:,0] #用iloc方括号里是数字而不是column名！

dfc2 = dfiloc[:,0:3]

df取某一行：

dfr1 = dfiloc[0]

df1 = dfiloc[0:2]

df1 = df[0:2] #这种方法只能用于取一个区间

df取某个值：

dfc2 = dfiloc[0,0]

dfc2 = dfiloc[0:2,0:3]

在numpy的ndarray类型中，似乎没有直接返回特定索引的方法，我只找到了where函数，但是where函数对于寻找某个特定值对应的索引很有用，对于返回一定区间内值的索引不是很有效，至少我没有弄明白应该如何 *** 作。下面先说一下where函数的用法吧。

（1）where函数的使用场景：

例如现在我生成了一个数组：

import numpy as np

arr=nparray([1,1,1,134,45,3,46,45,65,3,23424,234,12,12,3,546,1,2])

现在arr是一个含有18个元素的ndarray类型的数组，后面就用数组来称呼它吧。假如我想返回数组中所有元素值为3所对应的索引位置，那么通过where函数可以很轻松地完成。

print npwhere(arr==3)

它会返回一个包含所有值为3对应的索引位置的元组，如下图：

可以看到在索引为5、9、14的地方所对应的元素值为3。通过这样的方式可以轻松达到目的。但是对于一定变化范围内的索引这样就不行了。下面的方法是自己想出来的折衷办法，比较笨，高手清喷。

（2）通过一个辅助的数组来解决一定范围内值索引的查找

我们建一个标识元素索引的数组，然后通过它来显示符合条件的元素对应的索引。还是刚才的数组，假如我现在要返回元素值在3到100之间值的索引。我可以生成一个和arr相同大小的数组，然后首先通过一次筛选找到大于3的元素对应索引的数组，继而在其中再次筛选，最终得到想要的结果。代码如下：

b=nparange(len(arr))#生成和arr相同长度的数组

c=b[arr>3]#c存放的就是arr中大于3的元素对应的索引

#最后通过遍历c数组，选择3到100之间的值打印出来

for i in range(len(c)):

if arr[c[i]]<100:

print c[i],

下面看一下执行的效果：

可以看到程序将所有介于3和100之间的元素对应的索引值打了出来，如果想同时获得索引值和相应的元素，只需将上面的“print c[i]”,  替换为 “print c[i],arr[c[i]]”即可。 当然这种方法也适用于选择某个特定值对应的索引，例如我想找到所有3对应的位置，可以用print b[arr==3]即可打印出所有值为3的元素所对应的索引。其实不论怎么做，都是用到了数组进行关系运算后生成布尔数组，然后让数组中为True的地方进行显示。

可以看到程序将所有介于3和100之间的元素对应的索引值打了出来，如果想同时获得索引值和相应的元素，只需将上面的“print c[i]”,  替换为 “print c[i],arr[c[i]]”即可。

当然这种方法也适用于选择某个特定值对应的索引，例如我想找到所有3对应的位置，可以用print b[arr==3]即可打印出所有值为3的元素所对应的索引。其实不论怎么做，都是用到了数组进行关系运算后生成布尔数组，然后让数组中为True的地方进行显示。

当然还可以通过两次进行筛选，分别筛选出大于3的元素和小于100的元素对应的索引数组，然后两个数组做交集处理，在numpy中有一个intersect1d函数可以进行这样的运算，但是仍然麻烦。目前只能想到这些办法，不知道有哪位高手有更好的方法，欢迎大家一起交流一下。

以上就是关于numpy数组提示超出索引，但单独计算时没有问题全部的内容，包括:numpy数组提示超出索引，但单独计算时没有问题、什么是数组的维度，python 的ndim的使用、python自带及pandas、numpy数据结构(一)等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！