数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。

整数索引

【例】要获取数组的单个元素，指定元素的索引即可。

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. print(x[2])  # 3
  4. x = np.array([[11, 12, 13, 14, 15],
  5.               [16, 17, 18, 19, 20],
  6.               [21, 22, 23, 24, 25],
  7.               [26, 27, 28, 29, 30],
  8.               [31, 32, 33, 34, 35]])
  9. print(x[2])  # [21 22 23 24 25]
  10. print(x[2][1])  # 22
  11. print(x[2, 1])  # 22

切片索引

切片操作是指抽取数组的一部分元素生成新数组。对 python 列表进行切片操作得到的数组是原数组的副本，而对 Numpy 数据进行切片操作得到的数组则是指向相同缓冲区的视图。
如果想抽取（或查看）数组的一部分，必须使用切片语法，也就是，把几个用冒号（ start:stop:step ）隔开的数字置于方括号内。
为了更好地理解切片语法，还应该了解不明确指明起始和结束位置的情况。如省去第一个数字，numpy 会认为第一个数字是0；如省去第二个数字，numpy 则会认为第二个数字是数组的最大索引值；如省去最后一个数字，它将会被理解为1，也就是抽取所有元素而不再考虑间隔。

【例】对一维数组的切片

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. print(x[0:2])  # [1 2]
  4. #用下标0~5,以2为步长选取数组
  5. print(x[1:5:2])  # [2 4]
  6. print(x[2:])  # [3 4 5 6 7 8]
  7. print(x[:2])  # [1 2]
  8. print(x[-2:])  # [7 8]
  9. print(x[:-2])  # [1 2 3 4 5 6]
  10. print(x[:])  # [1 2 3 4 5 6 7 8]
  11. #利用负数下标翻转数组
  12. print(x[::-1])  # [8 7 6 5 4 3 2 1]

【例】对二维数组切片

  1. import numpy as np
  2. x = np.array([[11, 12, 13, 14, 15],
  3.               [16, 17, 18, 19, 20],
  4.               [21, 22, 23, 24, 25],
  5.               [26, 27, 28, 29, 30],
  6.               [31, 32, 33, 34, 35]])
  7. print(x[0:2])
  8. # [[11 12 13 14 15]
  9. #  [16 17 18 19 20]]
  10. print(x[1:5:2])
  11. # [[16 17 18 19 20]
  12. #  [26 27 28 29 30]]
  13. print(x[2:])
  14. # [[21 22 23 24 25]
  15. #  [26 27 28 29 30]
  16. #  [31 32 33 34 35]]
  17. print(x[:2])
  18. # [[11 12 13 14 15]
  19. #  [16 17 18 19 20]]
  20. print(x[-2:])
  21. # [[26 27 28 29 30]
  22. #  [31 32 33 34 35]]
  23. print(x[:-2])
  24. # [[11 12 13 14 15]
  25. #  [16 17 18 19 20]
  26. #  [21 22 23 24 25]]
  27. print(x[:])
  28. # [[11 12 13 14 15]
  29. #  [16 17 18 19 20]
  30. #  [21 22 23 24 25]
  31. #  [26 27 28 29 30]
  32. #  [31 32 33 34 35]]
  33. print(x[2, :])  # [21 22 23 24 25]
  34. print(x[:, 2])  # [13 18 23 28 33]
  35. print(x[0, 1:4])  # [12 13 14]
  36. print(x[1:4, 0])  # [16 21 26]
  37. print(x[1:3, 2:4])
  38. # [[18 19]
  39. #  [23 24]]
  40. print(x[:, :])
  41. # [[11 12 13 14 15]
  42. #  [16 17 18 19 20]
  43. #  [21 22 23 24 25]
  44. #  [26 27 28 29 30]
  45. #  [31 32 33 34 35]]
  46. print(x[::2, ::2])
  47. # [[11 13 15]
  48. #  [21 23 25]
  49. #  [31 33 35]]
  50. print(x[::-1, :])
  51. # [[31 32 33 34 35]
  52. #  [26 27 28 29 30]
  53. #  [21 22 23 24 25]
  54. #  [16 17 18 19 20]
  55. #  [11 12 13 14 15]]
  56. print(x[:, ::-1])
  57. # [[15 14 13 12 11]
  58. #  [20 19 18 17 16]
  59. #  [25 24 23 22 21]
  60. #  [30 29 28 27 26]
  61. #  [35 34 33 32 31]]

通过对每个以逗号分隔的维度执行单独的切片，你可以对多维数组进行切片。因此，对于二维数组，我们的第一片定义了行的切片，第二片定义了列的切片。
【例】

  1. import numpy as np
  2. x = np.array([[11, 12, 13, 14, 15],
  3.               [16, 17, 18, 19, 20],
  4.               [21, 22, 23, 24, 25],
  5.               [26, 27, 28, 29, 30],
  6.               [31, 32, 33, 34, 35]])
  7. print(x)
  8. # [[11 12 13 14 15]
  9. #  [16 17 18 19 20]
  10. #  [21 22 23 24 25]
  11. #  [26 27 28 29 30]
  12. #  [31 32 33 34 35]]
  13. x[0::2, 1::3] = 0
  14. print(x)
  15. # [[11  0 13 14  0]
  16. #  [16 17 18 19 20]
  17. #  [21  0 23 24  0]
  18. #  [26 27 28 29 30]
  19. #  [31  0 33 34  0]]

dots 索引

NumPy 允许使用...表示足够多的冒号来构建完整的索引列表。
比如，如果 x 是 5 维数组：

  • x[1,2,...] 等于 x[1,2,:,:,:]
  • x[...,3] 等于 x[:,:,:,:,3]
  • x[4,...,5,:] 等于 x[4,:,:,5,:]

【例】

  1. import numpy as np
  2. x = np.random.randint(1, 100, [2, 2, 3])
  3. print(x)
  4. # [[[ 5 64 75]
  5. #   [57 27 31]]
  6. #  [[68 85  3]
  7. #   [93 26 25]]]
  8. print(x[1, ...])
  9. # [[68 85  3]
  10. #  [93 26 25]]
  11. print(x[..., 2])
  12. # [[75 31]
  13. #  [ 3 25]]

整数数组索引

【例】方括号内传入多个索引值，可以同时选择多个元素。

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. r = [0, 1, 2]
  4. print(x[r])
  5. # [1 2 3]
  6. r = [0, 1, -1]
  7. print(x[r])
  8. # [1 2 8]
  9. x = np.array([[11, 12, 13, 14, 15],
  10.               [16, 17, 18, 19, 20],
  11.               [21, 22, 23, 24, 25],
  12.               [26, 27, 28, 29, 30],
  13.               [31, 32, 33, 34, 35]])
  14. r = [0, 1, 2]
  15. print(x[r])
  16. # [[11 12 13 14 15]
  17. #  [16 17 18 19 20]
  18. #  [21 22 23 24 25]]
  19. r = [0, 1, -1]
  20. print(x[r])
  21. # [[11 12 13 14 15]
  22. #  [16 17 18 19 20]
  23. #  [31 32 33 34 35]]
  24. r = [0, 1, 2]
  25. c = [2, 3, 4]
  26. y = x[r, c]
  27. print(y)
  28. # [13 19 25]

【例】

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. r = np.array([[0, 1], [3, 4]])
  4. print(x[r])
  5. # [[1 2]
  6. #  [4 5]]
  7. x = np.array([[11, 12, 13, 14, 15],
  8.               [16, 17, 18, 19, 20],
  9.               [21, 22, 23, 24, 25],
  10.               [26, 27, 28, 29, 30],
  11.               [31, 32, 33, 34, 35]])
  12. r = np.array([[0, 1], [3, 4]])
  13. print(x[r])
  14. # [[[11 12 13 14 15]
  15. #   [16 17 18 19 20]]
  16. #
  17. #  [[26 27 28 29 30]
  18. #   [31 32 33 34 35]]]
  19. # 获取了 5X5 数组中的四个角的元素。
  20. # 行索引是 [0,0] 和 [4,4]，而列索引是 [0,4] 和 [0,4]。
  21. r = np.array([[0, 0], [4, 4]])
  22. c = np.array([[0, 4], [0, 4]])
  23. y = x[r, c]
  24. print(y)
  25. # [[11 15]
  26. #  [31 35]]

【例】可以借助切片:与整数数组组合。

  1. import numpy as np
  2. x = np.array([[11, 12, 13, 14, 15],
  3.               [16, 17, 18, 19, 20],
  4.               [21, 22, 23, 24, 25],
  5.               [26, 27, 28, 29, 30],
  6.               [31, 32, 33, 34, 35]])
  7. y = x[0:3, [1, 2, 2]]
  8. print(y)
  9. # [[12 13 13]
  10. #  [17 18 18]
  11. #  [22 23 23]]
  • numpy.take(a, indices, axis=None, out=None, mode='raise') Take elements from an array along an axis.

【例】

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. r = [0, 1, 2]
  4. print(np.take(x, r))
  5. # [1 2 3]
  6. r = [0, 1, -1]
  7. print(np.take(x, r))
  8. # [1 2 8]
  9. x = np.array([[11, 12, 13, 14, 15],
  10.               [16, 17, 18, 19, 20],
  11.               [21, 22, 23, 24, 25],
  12.               [26, 27, 28, 29, 30],
  13.               [31, 32, 33, 34, 35]])
  14. r = [0, 1, 2]
  15. print(np.take(x, r, axis=0))
  16. # [[11 12 13 14 15]
  17. #  [16 17 18 19 20]
  18. #  [21 22 23 24 25]]
  19. r = [0, 1, -1]
  20. print(np.take(x, r, axis=0))
  21. # [[11 12 13 14 15]
  22. #  [16 17 18 19 20]
  23. #  [31 32 33 34 35]]
  24. r = [0, 1, 2]
  25. c = [2, 3, 4]
  26. y = np.take(x, [r, c])
  27. print(y)
  28. # [[11 12 13]
  29. #  [13 14 15]]

应注意：使用切片索引到numpy数组时，生成的数组视图将始终是原始数组的子数组, 但是整数数组索引，不是其子数组，是形成新的数组。 切片索引

  1. import numpy as np
  2. a=np.array([[1,2],[3,4],[5,6]])
  3. b=a[0:1,0:1]
  4. b[0,0]=2
  5. print(a[0,0]==b)
  6. #[[True]]

整数数组索引

  1. import numpy as np
  2. a=np.array([[1,2],[3,4],[5,6]])
  3. b=a[0,0]
  4. b=2
  5. print(a[0,0]==b)
  6. #False

布尔索引

我们可以通过一个布尔数组来索引目标数组。
【例】

  1. import numpy as np
  2. x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
  3. y = x > 5
  4. print(y)
  5. # [False False False False False  True  True  True]
  6. print(x[x > 5])
  7. # [6 7 8]
  8. x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
  9. y = np.logical_not(np.isnan(x))
  10. print(x[y])
  11. # [1. 2. 3. 4. 5.]
  12. x = np.array([[11, 12, 13, 14, 15],
  13.               [16, 17, 18, 19, 20],
  14.               [21, 22, 23, 24, 25],
  15.               [26, 27, 28, 29, 30],
  16.               [31, 32, 33, 34, 35]])
  17. y = x > 25
  18. print(y)
  19. # [[False False False False False]
  20. #  [False False False False False]
  21. #  [False False False False False]
  22. #  [ True  True  True  True  True]
  23. #  [ True  True  True  True  True]]
  24. print(x[x > 25])
  25. # [26 27 28 29 30 31 32 33 34 35]

【例】

  1. import numpy as np
  2. import matplotlib.pyplot as plt
  3. x = np.linspace(0, 2 * np.pi, 50)
  4. y = np.sin(x)
  5. print(len(x))  # 50
  6. plt.plot(x, y)
  7. mask = y >= 0
  8. print(len(x[mask]))  # 25
  9. print(mask)
  10. '''
  11. [ True  True  True  True  True  True  True  True  True  True  True  True
  12.   True  True  True  True  True  True  True  True  True  True  True  True
  13.   True False False False False False False False False False False False
  14.  False False False False False False False False False False False False
  15.  False False]
  16. '''
  17. plt.plot(x[mask], y[mask], 'bo')
  18. mask = np.logical_and(y >= 0, x <= np.pi / 2)
  19. print(mask)
  20. '''
  21. [ True  True  True  True  True  True  True  True  True  True  True  True
  22.   True False False False False False False False False False False False
  23.  False False False False False False False False False False False False
  24.  False False False False False False False False False False False False
  25.  False False]
  26. '''
  27. plt.plot(x[mask], y[mask], 'go')
  28. plt.show()

索引与切片 - 图1
我们利用这些条件来选择图上的不同点。蓝色点（在图中还包括绿点，但绿点掩盖了蓝色点），显示值 大于0 的所有点。绿色点表示值 大于0 且 小于0.5π 的所有点。