本文共 3148 字，大约阅读时间需要 10 分钟。

numpy数组索引是一个大话题，有很多种方式可以让你选中数据中的子集或者某个元素。主要有以下四种方式：

一，基础索引

在一维数组中，你可以使用中括号指定索引获取第i个值（从0开始计数），但是对于多维的数组，每个索引值对应的元素不再是一个数值，例如，在一个二维数组中，将得到一个以为数组。单个元素可以继续索引，或者传递一个索引的列表选择单个元素。

import numpy as nparr = np.arange(9).reshape((3,3))arr[0]  # array([0, 1, 2])arr[0][0]  # 0arr[0,0]   # 0

这种方式获取的数据为原数组的视图，对于视图数值的修改，也会修改原数组数值。

二·，切片索引

numpy切片与Python列表的标准切片语法相同，通过切片可以灵活地得到一个子数组。与基础索引一样，切片索引也是原数组的视图，修改数据也会作用于原数组。

arr[:2,1:]"""array([[1, 2],       [4, 5]])"""

切片索引有两个实用的应用：

arr[0,:]  # array([0, 1, 2]) 获取第1行arr[:,0]  # array([0, 3, 6]) 获取第1列

2，数组的逆序。

arr[::-1,::-1]   # 对整个数组进行逆序"""array([[6, 7, 8],       [3, 4, 5],       [0, 1, 2]])"""arr[::-1,:]   #行逆序"""array([[6, 7, 8],       [3, 4, 5],       [0, 1, 2]])"""arr[:,::-1]  # 列逆序"""array([[2, 1, 0],       [5, 4, 3],       [8, 7, 6]])"""

三，布尔索引

布尔索引主要是利用的布尔数组，当数组的比较操作（比如==、>=）也是可以向量化，这些比较运算的结果是一个布尔数据类型的数组。该数组与原数组的长度和形状都是一致，我们可以获取到对应位置为True的值。

bool_arr = arr>3arr[bool_arr]   # array([4, 5, 6, 7, 8])

通过布尔索引获得的子数组为副本，修改后不影响原数组。

arr = np.array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])arr2 = arr[ arr>3]arr2 = -1arr"""array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])"""

布尔数组操作

1，统计记录个数

np.count_nonzero(arr>3) # 5

另一种方法是使用np.sum，False会被解释为0，而True被解释为1。sum()可以沿着行或列求和。

np.sum(arr>3)  # 5#每一列中大于3的个数np.sum(arr>3,axis=0)  # array([1, 2, 2])

2，快速地检查是否包含True

np.all(arr>3)  # False   all 全部为True时，返回True，否则返回Falsenp.any(arr>3)  # True    any 至少有一个为True时，返回True，否则返回False# np.all() 和 np.any()也可以沿着特定的轴。 np.all(arr>7,axis=0)  # array([False, False, False])np.any(arr>7,axis=0)   # array([False, False,  True])

3，python中的关键字and 和 or 对布尔数组不起作用，需要使用逐位逻辑运算符（&，|，^）

# 每个元素逐位逻辑运算a = np.array([1,0,1,1,0],dtype=bool)b = np.array([1,0,1,1,0],dtype=bool)a & b  # array([ True, False,  True,  True, False])

a = np.array([1,0,1,1,0],dtype=bool)b = np.array([1,0,1,1,0],dtype=bool)a and b ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

a and b 之所以报错，是因为，无法知道a和b整个数组，分别是Ture还是False。没法进行and运算，可以使用np.all() 或者 np.any()对整个数组进行判断。

a = np.array([1,0,1,1,0],dtype=bool)b = np.array([1,0,1,1,0],dtype=bool)np.all(a) and np.any(b)  # False

四，数组索引

数组索引在概念上很简单，通过一个数组来一次性获取多个元素，

arr[[1,2]]"""array([[3, 4, 5],       [6, 7, 8]])"""arr[[1,2],[0,1]]# array([3, 7]) 分别获取[1,0],[2,1]

在使用数组索引时，有两个点需要注意：

arr.shape  # (3, 3)ind = np.array([[0,2],[1,2]])    arr[ind].shape  # (2, 2, 3)

2，操作重复的索引可以会产生一些出乎意料的结果。

x = np.zeros(10)x[[0,0]] = [4,6]

上面的代码执行后，x的结果为array([6., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

A=1A,A = 2,3A  # 3

A=2，然后A=3，所以最后结果为3。

继续设想以下操作：

x = np.zeros(10)x[[0,0]] +=1x[0]   # 1

按照之前的想法，x[0]的输出结果应该的2，然而结果却是1。x[[0,0]] +=1其实可以拆开为：x[0],x[0] = x[0]+1,x[0]+1 ,换个简单的例子：

a = 1a,a=a+1,a+1print("a="+str(a))

a的结果为2，a,a=a+1,a+1的指向步骤是：

在看一个例子：

a = 1b = 2a,a=b,a+bprint("a="+str(a))

a的结果为3，a,a=b,a+b的指向步骤是：

numpy数组索引真的是一个大话题，可以引申出许多东西的，还可以将四种方式混合使用，只要知道每种方式的特点，混合使用也不是问题。如有错误，欢迎留言指出。

参考：《Python数据科学手册》

转载地址：https://blog.csdn.net/yangjjuan/article/details/105375026 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！