前言

索引指的是用方括号 “[ ]” 加序号的形式引用数组中特定位置的元素，它的作用是从数组中取出一部分相应的元素重新组成一个子数组，而这个子数组就是通过索引得到的切片。

一、副本与视图

在Numpy中做数组运算时，返回的结果只有两种，一是“视图”，二是“副本”。 import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x # 创建视图 y[0] = -1 print(x) # [-1 2 3 4 5 6 7 8] print(y) # [-1 2 3 4 5 6 7 8] # 此处改变视图y，原数组x也随之改变 x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x.copy() # 创建副本 y[0] = -1 print(x) # [1 2 3 4 5 6 7 8] print(y) # [-1 2 3 4 5 6 7 8] # 此处改变副本y，原数组x不变 从上例可知，对副本数据进行修改，不会影响到原始数据，这是因为他们物理内存不在同一位置；而对视图数据进行修改，原始数据也会随之改变，这是因为视图数据与原始数据物理内存在同一位置。此处用到了一个函数：numpy.copy()其作用就是为原始数据创建一个副本。

二、索引与切片

1.整数索引

获取数组的单个元素，多维数组的子数组。 import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) print(x[6]) # 7 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [12, 34, 56, 78, 99], [31, 32, 33, 34, 35]]) print(x[1]) # [16, 17, 18, 19, 20] print(x[3][2]) # 33 print(x[3, 2]) # 33

2.切片索引

切片即从数组中抽取一部分元素组成新的数组。对Python 列表 进行切片操作，得到的数组是原数组的 副本，即修改切片后，原数组不变。对Numpy数据进行切片操作，得到的数组是指向相同缓冲区的 视图。一维数组 import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) # 起始位置索引为1，结束位置索引为5，间隔为2 print(x[1:5:2]) # [2 4] # 若不写间隔，则默认为1 print(x[0:4]) # [1 2 3 4] # 若不写结束位置索引，则默认为最大索引值 print(x[2:]) # [3 4 5 6 7 8] # 若不写起始位置索引，则默认为0 print(x[:2]) # [1 2] # 若起始、结束位置索引均不写，则取全部 print(x[:]) # [1 2 3 4 5 6 7 8] # 若索引值为负，则最大索引值为-1，依次向前递减 print(x[-2:]) # [7 8] print(x[:-2]) # [1 2 3 4 5 6] # 利用负数下标翻转数组 print(x[::-1]) # [8 7 6 5 4 3 2 1] 二维数组，切片的第一片定义了行的切片，第二片定义了列的切片。 import numpy as np x = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25]]) print(x[2:4]) # [[11 12 13 14 15] # [16 17 18 19 20]] print(x[1:5:2]) # [[6 7 8 9 10] # [16, 17, 18, 19, 20]] print(x[2:]) # [[11, 12, 13, 14, 15], # [16, 17, 18, 19, 20], # [21, 22, 23, 24, 25]] print(x[:2]) # [[11 12 13 14 15] # [16 17 18 19 20]] print(x[-2:]) # [[16, 17, 18, 19, 20], # [21, 22, 23, 24, 25]] print(x[:-2]) # [[1, 2, 3, 4, 5], #[6, 7, 8, 9, 10], # [11, 12, 13, 14, 15]] print(x[:]) # [[1 2 3 4 5] # [6 7 8 9 10] # [11 12 13 14 15] # [16 17 18 19 20] # [21 22 23 24 25]] # 输出第二行数据 print(x[1, :]) # [6 7 8 9 10] # 输出第二列数据 print(x[:, 1]) # [2 7 12 17 22] # 输出第1行，第2到4个数据 print(x[0, 1:4]) # [2 3 4] # 输出第1列，第2到4个数据 print(x[1:4, 0]) # [6 11 16] print(x[1:3, 2:4]) # [[8 9] # [13 14]] print(x[:, :]) # 效果与x[:]一样 # 行，列，间隔均为2 print(x[::2, ::2]) # [[1 3 5] # [11 13 15] # [21 23 25]] # 从0行开始，间隔2行赋值；从1列开始，间隔3列赋值 x[0::2, 1::3] = 0 print(x) # [[1 0 3 4 0] # [6 7 8 9 10] # [11 0 13 14 0] # [16 17 18 19 20] # [21 0 23 24 0]] # 所有行颠倒顺序 print(x[::-1, :]) # 所有列颠倒顺序 print(x[:, ::-1])

3.整数数组索引

方括号内传入多个索引值，可以同时选择多个元素。一维数组： import numpy as np # 从一维数组中抽取特殊点 x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) r = [0, 1, -1] print(x[r]) # [1 2 8] # 从一维数组中抽取特殊点组成二维数组 x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) r = np.array([[0, 1], [3, 4], [6, 7]) print(x[r]) # [[1 2] # [4 5] # [7 8]] 二维数组 # 从二维数组中抽取特殊行 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) r = [0, 1, -1] print(x[r]) # [[11 12 13 14 15] # [16 17 18 19 20] # [31 32 33 34 35]] # 从二维数组中抽取特殊行组成三维数组 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) r = np.array([[0, 1], [3, 4]]) print(x[r]) # [[[11 12 13 14 15] # [16 17 18 19 20]] # # [[26 27 28 29 30] # [31 32 33 34 35]]] # 从二维数组中抽取特殊点组成一维数组 r = [0, 1, 2] c = [2, 3, 4] y = x[r, c] # r,c均为一维数组，故y也为一维数组 print(y) # [13 19 25] # 从二维数组中抽取特殊点组成二维数组 r = np.array([[0, 0], [4, 4]]) c = np.array([[0, 4], [0, 4]]) y = x[r, c] # r,c均为二维数组，故y也为二维数组 print(y) # [[11 15] # [31 35]] 特殊函数numpy.take() import numpy as np # 一维数组 x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) r = [0, 1, 2] print(np.take(x, r)) # [1 2 3] # 二维数组 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) r = [0, 1, 2] print(np.take(x, r, axis=0)) # 输出特定行 # [[11 12 13 14 15] # [16 17 18 19 20] # [21 22 23 24 25]] print(np.take(x, r, axis=1)) # 输出特定列 # [[11 12 13] # [16 17 18] # [21 22 23] # [26 27 28] # [31 32 33]]

4.布尔索引

import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x > 5 print(y) # [False False False False False True True True] print(x[x > 5]) # [6 7 8] x = np.array([1, 9, np.nan, 3, 4, np.nan, 0]) y = np.logical_not(np.isnan(x)) # 逻辑非 print(x[y]) # [1. 9. 3. 4. 0.] # 二维数组变一维数组 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) y = x > 25 print(y) # [[False False False False False] # [False False False False False] # [False False False False False] # [ True True True True True] # [ True True True True True]] print(x[x > 25]) # [26 27 28 29 30 31 32 33 34 35]

三、补充知识

1.数组迭代

本块介绍函数np.apply_along_axis() import numpy as np x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) # 每列求和 y = np.apply_along_axis(np.sum, 0, x) print(y) # [105 110 115 120 125] # 每行求和 y = np.apply_along_axis(np.sum, 1, x) print(y) # [ 65 90 115 140 165] # 每列求平均 y = np.apply_along_axis(np.mean, 0, x) print(y) # [21. 22. 23. 24. 25.] # 每行求平均 y = np.apply_along_axis(np.mean, 1, x) print(y) # [13. 18. 23. 28. 33.]

2.array换行、换列

import numpy as np A = np.arange(9).reshape(3, 3) print(A) # [[0 1 2] # [3 4 5] # [6 7 8]] # 列列互换 B = A[:, [2, 1, 0]] print(B) # [[2 1 0] # [5 4 3] # [8 7 6]] # 行行互换 C = A[[1, 0, 2], :] print(C) # [[3 4 5] # [0 1 2] # [6 7 8]]