练习题1: 数组的创建 创建一个包含10个元素的数组，数组的起始值为1，步长为2。 创建一个包含5个元素的等差数列，数组的起始值为0，终止值为2π（圆周率的两倍） 生成5行4列的随机整数，范围在100到300之间

### 关于 NumPy 切片和索引的练习题 #### 示例一：基础切片操作 考虑创建一个简单的二维数组并执行基本的切片操作。 ```python import numpy as np n = np.arange(12).reshape((4, 3)) print("原始数组:") print(n) # 获取前两行的所有列 first_two_rows_all_columns = n[:2, :] print("\n前两行的所有列:") print(first_two_rows_all_columns) ``` 此代码展示了如何通过指定起始位置、结束位置以及步长来选取特定范围内的元素[^2]。 #### 示例二：高级索引应用 下面的例子说明了更复杂的索引方式，比如按条件筛选数据点或访问不连续的位置。 ```python import numpy as np arr = np.array([[10, 20], [30, 40], [50, 60]]) # 使用布尔掩码进行过滤 mask = (arr % 2 == 0) even_elements = arr[mask] print("偶数值元素:") print(even_elements) # 访问非连续位置上的元素 indices_row = [0, 2] indices_col = [0, 1] selected_elements = arr[indices_row, indices_col] print("\n选定行列交叉处的元素:") print(selected_elements) ``` 上述例子中不仅包含了基于逻辑运算符构建的布尔型索引来挑选符合条件的数据项，还涉及到了利用列表形式给出的具体下标来进行多维空间内任意坐标的定位。 #### 示例三：广播机制下的赋值操作 当涉及到不同形状之间的算术计算时，“广播”这一特性允许较小维度的对象自动扩展到匹配较大对象尺寸的程度以便完成相应处理过程。这里展示了一个简单案例，在其中向量被加到矩阵上每一个对应位置上去形成新的结果集。 ```python import numpy as np matrix = np.ones((3, 3)) * 5 # 创建一个全为5的3x3矩阵 vector = np.array([1, 2, 3]) # 定义一个长度为3的一维数组 result = matrix + vector # 应用了广播原则后的相加操作 print("原矩阵加上向量的结果如下所示:") print(result) ``` 在这个实例里可以看到即使两者之间存在明显的结构差异——一个是三维表而另一个则是线性序列；但由于遵循着相同的规则所以仍然能够顺利完成预期的任务目标[^1]。

<think>嗯，用户想用NumPy从二维数组中提取每只股票从第一天开始每三天的价格，而且不能用循环。首先，我得理解需求。股票数据可能是一个二维数组，行代表日期，列代表不同的股票。用户需要的是每三天取一次数据，也就是第0行、第3行、第6行等等。 那问题是如何用NumPy的高级索引来实现。首先，我需要确定行索引的生成方式。例如，如果总共有n行，那么需要的索引应该是0,3,6,...,直到n-1。可以用arange来生成这个序列，起始0，步长3，然后确保不超过数组的行数。 接下来，要考虑数组的索引方式。直接用这个索引数组作为行索引，列的话可能需要用切片来保留所有列。比如，arr[rows, :]，其中rows是生成的索引数组。 然后，测试一下这个思路是否正确。假设有一个示例数组，比如5行4列的，用索引0,3的话，应该能正确提取第0行和第3行的数据。但要注意如果行数不足3的话，比如只有两行，这时候生成的索引数组可能只包含0。 另外，用户提到的是“每三天”，也就是包括第一天，然后每隔三天。所以起始索引是0，步长3。这里可能需要用np.arange(0, n, 3)，其中n是行数。但要注意arange的结束参数是排除的，所以应该用arr.shape[0]作为结束点，这样能包含所有可能的行。 另外，有没有可能用户需要的是从第一天开始，每三天包括第一天，比如第0天，第3天，第6天等。没错，这样生成的索引没有问题。 然后，考虑到用户可能的数据结构，比如二维数组，行是日期，列是股票。所以提取行之后，列保留全部，就能得到每只股票对应的数据。 再检查一下是否有特殊情况，比如行数不是3的倍数，这时候arange会自动处理，比如总共有7行的话，索引会是0,3,6，正确提取这三行。 然后，如何实现呢？代码大概是这样的： import numpy as np # 假设股票数据是二维数组，例如10行5列 stock_prices = np.random.rand(10, 5) # 生成行索引 rows = np.arange(0, stock_prices.shape[0], 3) # 提取数据 result = stock_prices[rows, :] 这样就得到了每隔三天的数据。没错，这应该可以解决问题。不需要循环，完全使用NumPy的高级索引。 可能用户还关心是否包括最后一天的数据，比如如果总共有10行，那么索引是0,3,6,9，刚好都包括在内。arange(0, 10, 3)的结果就是这样的。 另外，如果数组的行数是0的话，可能会有问题，但这种情况应该由用户自己处理，或者添加一个条件判断，不过题目中没有提到这种情况，所以可以忽略。 总结来说，解决方案是使用np.arange生成需要的行索引，然后用这些索引进行切片提取数据。这样既高效又符合不使用循环的要求。</think>要利用Numumpy从二维数组中提取每三天（从第一天开始）的股票价格数据，可以使用**步长切片**或**高级整数索引**。以下是具体实现步骤： --- ### **步骤1：生成行索引序列** 假设股票价格数据存储在二维数组`stock_prices`中，形状为`(n_days, n_stocks)`，其中每行代表一天的股票价格。需要提取第0、3、6...天的数据。 使用`np.arange`生成起始索引为0、步长为3的索引序列： ```python indices = np.arange(0, stock_prices.shape[0], 3) ``` --- ### **步骤2：通过索引提取数据** 利用生成的行索引对二维数组进行切片： ```python selected_prices = stock_prices[indices, :] ``` --- ### **完整代码示例** ```python import numpy as np # 示例数据：假设有10天、5只股票的价格 stock_prices = np.random.rand(10, 5) # 生成每3天的行索引 indices = np.arange(0, stock_prices.shape[0], 3) # 提取数据 result = stock_prices[indices, :] print("原始数据形状:", stock_prices.shape) print("提取后数据形状:", result.shape) print("提取的行索引:", indices) ``` --- ### **输出示例** ``` 原始数据形状: (10, 5) 提取后数据形状: (4, 5) 提取的行索引: [0 3 6 9] ``` --- ### **关键点说明** 1. **索引生成逻辑**：`np.arange(0, n_days, 3)`会生成从0开始、步长为3的序列，如`[0, 3, 6, 9]`。 2. **切片操作**：`stock_prices[indices, :]`表示选取所有列和指定行的数据，等价于`stock_prices[indices]`。 3. **性能优势**：直接通过索引操作避免了循环，效率远高于Python原生循环[^3]。 ---