(3)numpy数组的索引和切片操作

在开始之前，先导入numpy第三方包：

import numpy as np

【索引】

谈到索引，我们就应该想到，在python语言中，是如何对列表进行索引的？

接下来将会对python列表索引和numpy数组索引进行比较：

# 先定义一个numpy数组
array = np.array([[1, 2, 4], [31, 2, 4]])
# 常规方法访问第一维的第一个数字“1”：
print("常规方法访问结果:", array[0][0])
# numpy数组访问第一维的第一个数组“1”：
print("numpy数组访问结果:", array[0, 0])

运行结果：

        通过代码两者之间的代码对比，我们可以很清楚的看到，在书写代码上，两者唯一的区别就是“用了几个括号？”

numpy数组这样进行索引的目的是什么？或者说，这样进行索引，会给我们带来什么便捷之处吗？

这就不得不提高numpy数组的高级索引了。

在numpy数组中，存在许多种高级索引，接下来将一一介绍：

（高级应用1）：

特点：以列表形式访问元素时，将根据列表元素进行索引，所得到数组依旧是一个numpy数组：

应用途径：可以借此对列表中元素进行重新排序

arr = np.array([0, 1, 2, 3, 4])
result_things = arr[[0, 1, 2]]
print("arr第0-2的元素依次为:", result_things, result_things.dtype)

运行结果：

         通过运行结果就可以得出，当传入参数是一个列表时，会根据下标索引生成一个新的numpy数组，这个数组的元素类型和原数组的元素类型一致。

（高级应用2）：

特点：传入一个布尔列表，对应传入参数为True的元素，将被保留下来，重新形成一个numpy数组

bool_list = [True, False, True, True, False]
print("下标索引为0、2、3的元素依次为:", arr[bool_list])

运行结果：

 True=输出

False=不输出

（高级应用3）：

特点：建立在高级应用2之上，如下例代码中，求numpy数组中，大于2的元素，对numpy数组中的元素直接进行比大小操作，会返回一组由布尔值构成的numpy数组，符合要求的值，将会返回True，反之，则返回False；再将得到的(由布尔值组成)列表传入，即再应用一边高级用法2，可以得到符合要求的数组

list_return = arr > 2
print(list_return, "\n", "在数组arr中大于2的元素有:", arr[list_return])

运行结果：

（综合操作）：

# matrix：矩阵
int_matrix = np.random.randint(0, 10, size=(4, 3, 2))
print(int_matrix)
print("数组int_matrix中索引位置为[1][2]的元素为:", int_matrix[1, 2])

运行结果：

 

【切片操作】

特点：所有的切片方式都是“左闭右开”；在进行切片操作时，无论多少维，都是使用“冒号”来表示，使用“逗号”来分割

（一维数组的切片操作）：

# 一维数组的切片操作：
# 一维numpy数组的切片方式和列表完全一致，多维度时同理
arr_1 = [0, 1, 2, 3, 4, 5]
print("arr_1数组中，下标索引从0-2(不包括2)的元素为:", arr_1[0:2])

运行结果：

（二维数组的切片操作）：

        在对二维数组进行切片操作时，会先让其随机生成一个二维numpy数组，随后再对其进行操作。

特点：从本质上来说，二维numpy数组的切片操作，其实和C语言数组切片操作大同小异，可以带入部分思维去思考，能更好的理解。

arr_2 = np.random.randint(0, 100, size=(4, 5))
print(arr_2)
print("arr_2前两行元素为:\n", arr_2[0:2])
print("arr_2前两列元素为:\n", arr_2[:, 0:2])

运行结果：