在Numpy中，访问或修改数组中的元素，可以采用索引或切片的方式。

基本切片

slice()构造切片对象

Numpy内置函数slice()可以用来构造切片对象，通过它可以实现从原数组上切割出一个新的数组。

np.slice(start, stop, step)

import numpy as np
a = np.arange(10)
#生成切片对象
s = slice(2,9,3)    # 从索引2开始到索引9停止，间隔时间为2
print(a[s])        # [2 5 8]，输出方法：从区间数组中填入slice对象

冒号切片

冒号切片方法与Python中的冒号切片相同。

一维数组切片

import numpy as np
a = np.arange(10)
b = a[2:9:3]
print(b)    # [2 5 8]

多维数组切片

"..."省略号如果在行位置使用，表示返回所有行元素；如果在列位置使用，表示返回所有列元素。

import numpy as np
#创建二维数组a
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
#返回数组的第二列
print (a[...,1]) 
#返回数组的第二行
print (a[1,...])
#返回第二列后的所有项
print (a[...,1:])

高级索引

整数数组索引

高级索引返回的是数组的副本（深拷贝），而切片操作返回的是数组视图（浅拷贝）。

• 以列表的方式填充下标。 ```python a = b[rows, cols]

其中： rows与cols按顺序组合构成多个索引。

```python
# 一维数组示例
import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = a[[0, 1, 2]]
print(b)  # [1 2 3]
# 多维数组示例1
import numpy as np
x = np.array([[1,  2],  [3,  4],  [5,  6]])
#[0,1,2]代表行索引;[0,1,0]代表列索引
y = x[[0,1,2],[0,1,0]]         # 行索引与列索引按顺序组合构成索引
print (y)    # [1 4 5]
# 多维数组示例2
# 多维数组示例2
import numpy as np
b = np.array([[0, 1, 2],
              [3, 4, 5],
              [6, 7, 8],
              [9, 10, 11]])
r = np.array([[0, 0], [3, 3]])  # 以数组的方式建立行索引
c = np.array([[0, 2], [0, 2]])  # 以数组的方式建立列索引
# 获取四个角的元素
c = b[r, c]        # 可先简化为单一的数组元素，如a进行理解，最后再单独拆解即可
print(c)    # [[ 0  2]    [ 9 11]]

将:或...符与整数数组结合使用

import numpy as np
d = np.array([[0, 1, 2],
              [3, 4, 5],
              [6, 7, 8],
              [9, 10, 11]])
# 对行列分别进行切片
e = d[1:4, 1:3]
print(e)
# 行使用基础索引，对列使用高级索引
f = d[1:4, [1, 2]]  # [1,2]代表的是列索引，因此可以一维的整数数组索引解析
# 显示切片后结果
print(f)
# 对行使用省略号
h = d[..., 1:]
print(h)

布尔数组索引

当输出的结果需要进行布尔运算时，需要使用布尔数组索引。

• 以下标的方式填充布尔运算条件即可。 ```python

  返回所有大于6的数字组成的数组

  import numpy as np

x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print (x[x > 6]) # [7 8 9 10 11]返回的是一维数组

使用补码运算符（~）除去 NaN 数据

import numpy as np

a = np.array([np.nan, 1,2,np.nan,3,4,5]) print(a[~np.isnan(a)) # [ 1. 2. 3. 4. 5.]

删除复数中的整数

import numpy as np

a = np.array([1, 2+6j, 5, 3.5+5j]) print( a[np.iscomplex(a)]) # [2.0+6.j 3.5+5.j]

<a name="OjJCC"></a>
## 花式索引（拓展知识）
**花式索引与整数数组索引类似**，但在**多个索引数组中，略有不同**。
```python
import numpy as np
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])    # 需要添加np.ix_符表示花式索引
# 输出结果如下：(与整数数组索引的按顺序行列组合不同，其列索引直接进行了对应排序)
"""
[[ 4  7  5  6]
[20 23 21 22]
[28 31 29 30]
[ 8 11  9 10]]
"""