Arrays: accés

En aquesta llicó, aprendrem com accedir i manipular elements dins d'un array de NumPy utilitzant diferents tècniques d'indexació i slicing.

Indexació bàsica

L'indexació d'arrays unidimensionals en NumPy funciona igual que amb les llistes de Python: els índexs comencen en 0 i es poden utilitzar índexs negatius per accedir als elements des del final.

import numpy as np

a = np.array([10, 20, 30, 40, 50])
print(a[0])    # 10
print(a[2])    # 30
print(a[-1])   # 50
print(a[-2])   # 40

Per accedir als elements d'arrays multidimensionals, s'utilitzen múltiples índexs separats per comes. Cada índex correspon a una dimensió de l'array.

b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

print(b[0, 0])    # 1
print(b[1, 2])    # 6
print(b[2, 1])    # 8
print(b[-1, -1])  # 9

També s'hi pot accedir progressivament:

print(b[1])       # [4 5 6] (segona fila)
print(b[1][2])    # 6 (equivalent a b[1, 2])

Slicing

El slicing (extracció de segments) permet seleccionar subconjunts d'arrays. Com a les llistes, la sintaxi és start:stop:step i es pot aplicar independentment a cada dimensió.

a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

print(a[2:7])      # [2 3 4 5 6]
print(a[::2])      # [0 2 4 6 8]
print(a[1:8:2])    # [1 3 5 7]
print(a[:5])       # [0 1 2 3 4]
print(a[5:])       # [5 6 7 8 9]

En arrays multidimensionals, cada dimensió es pot tallar independentment:

b = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12]])

print(b[0:2, 1:3])   # [[2 3]
                     #  [6 7]]

print(b[:, 2])       # [ 3  7 11] (tercera columna)
print(b[1, :])       # [5 6 7 8] (segona fila)
print(b[:2, ::2])    # [[1 3]
                     #  [5 7]]

Compte! A diferència de les llistes de Python, el slicing en NumPy no crea còpies sinó vistes de l'array original. Això significa que modificar la vista també modifica l'array original.

a = np.array([1, 2, 3, 4, 5])
b = a[1:4]         # b és una vista, no una còpia
b[0] = 99
print(a)           # [ 1 99  3  4  5] (l'original ha canviat!)

Per obtenir una còpia independent, cal utilitzar el mètode copy():

a = np.array([1, 2, 3, 4, 5])
b = a[1:4].copy()  # b és una còpia
b[0] = 99
print(a)           # [1 2 3 4 5] (l'original no canvia)

Indexació amb booleans (màscares)

Les màscares booleanes permeten seleccionar elements que compleixen una condició. Es crea un array de booleans amb la mateixa forma que l'array original, on True indica els elements a seleccionar.

a = np.array([10, 15, 20, 25, 30])

mascara = a > 18
print(mascara)           # [False False  True  True  True]
print(a[mascara])        # [20 25 30]

# Directament:
print(a[a > 18])         # [20 25 30]
print(a[a % 2 == 0])     # [10 20 30]

Es poden combinar múltiples condicions amb els operadors & (and), | (or) i ~ (not):

a = np.array([5, 12, 18, 23, 30, 45])

print(a[(a > 10) & (a < 25)])   # [12 18 23]
print(a[(a < 10) | (a > 40)])   # [ 5 45]
print(a[~(a % 3 == 0)])         # [ 5 23]

Les màscares també funcionen amb arrays multidimensionals:

b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

print(b[b > 5])          # [6 7 8 9] (array unidimensional)
b[b % 2 == 0] = 0        # modifica els elements parells
print(b)                 # [[1 0 3]
                         #  [0 5 0]
                         #  [7 0 9]]

Indexació avançada amb arrays d'enters

Es poden utilitzar arrays d'enters per seleccionar elements en posicions específiques. Això sempre retorna una còpia, no una vista.

a = np.array([10, 20, 30, 40, 50])

indexs = np.array([0, 2, 4])
print(a[indexs])         # [10 30 50]

print(a[[1, 3, 1]])      # [20 40 20]

En arrays multidimensionals, es pot especificar un array d'indexs per cada dimensió:

b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

files = np.array([0, 1, 2])
columnes = np.array([2, 1, 0])
print(b[files, columnes])    # [3 5 7]

# Seleccionar files completes:
print(b[[0, 2]])             # [[1 2 3]
                             #  [7 8 9]]

La funció where()

La funció np.where() té dues utilitats principals:

• Trobar índexs on es compleix una condició:

  a = np.array([10, 25, 30, 15, 40])
  
  indexs = np.where(a > 20)
  print(indexs)            # (array([1, 2, 4]),)
  print(a[indexs])         # [25 30 40]

• Selecció condicional entre dos valors (equivalent a un operador ternari):

  a = np.array([1, 2, 3, 4, 5])
  
  # on a > 2, retorna a*10, altrament retorna 0
  resultat = np.where(a > 2, a * 10, 0)
  print(resultat)          # [ 0  0 30 40 50]
  
  # Classificar elements:
  b = np.array([-2, 5, 0, -8, 3])
  classificacio = np.where(b > 0, 'positiu',
                          np.where(b < 0, 'negatiu', 'zero'))
  print(classificacio)     # ['negatiu' 'positiu' 'zero' 'negatiu' 'positiu']

En arrays multidimensionals, where() retorna una tupla d'arrays amb els índexs per cada dimensió:

b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

files, columnes = np.where(b > 5)
print(files)              # [1 2 2 2]
print(columnes)           # [2 0 1 2]
print(b[files, columnes]) # [6 7 8 9]

Jordi Petit
Lliçons.jutge.org
© Universitat Politècnica de Catalunya, 2025