numpy 数组索引

numpy 数组索引

一、单个元素索引

一维数组索引

1 2 3 4 5

>>> x  =  np.arange( 10 ) >>> x[ 2 ] 2 >>> x[ - 2 ] 8

二维数组索引

1 2 3 4 5

>>> x.shape  =  ( 2 , 5 )  # now x is 2-dimensional >>> x[ 1 , 3 ] 8 >>> x[ 1 , - 1 ] 9

数组切片

1 2 3 4 5 6 7 8 9 10 11

>>> x  =  np.arange( 10 ) >>> x[ 2 : 5 ] array([ 2 ,  3 ,  4 ]) >>> x[: - 7 ] array([ 0 ,  1 ,  2 ]) >>> x[ 1 : 7 : 2 ] array([ 1 ,  3 ,  5 ]) >>> y  =  np.arange( 35 ).reshape( 5 , 7 ) >>> y[ 1 : 5 : 2 ,:: 3 ] array([[  7 ,  10 ,  13 ],         [ 21 ,  24 ,  27 ]])

 

二、使用数组索引数组

例：产生一个一组数组，使用数组来索引出需要的元素。让数组[3,3,1,8]取出x中的第3,3,1,8的四个元素组成一个数组view

1 2 3 4 5

>>> x  =  np.arange( 10 , 1 , - 1 ) >>> x array([ 10 ,   9 ,   8 ,   7 ,   6 ,   5 ,   4 ,   3 ,   2 ]) >>> x[np.array([ 3 ,  3 ,  1 ,  8 ])] array([ 7 ,  7 ,  9 ,  2 ])

当然，类似切片那样，Index也可以使用负数。但是索引值不能越界！

1 2	>>> x[np.array([ 3 , 3 , - 3 , 8 ])] array([ 7 ,  7 ,  4 ,  2 ])

 

三、索引多维数组

 例1：产生一个5X7的数组，选择0,2,4行，0,1,2列的数

1 2 3

>>> y  =  np.arange( 35 ).reshape( 5 , 7 ) >>> y[np.array([ 0 , 2 , 4 ]), np.array([ 0 , 1 , 2 ])] array([  0 ,  15 ,  30 ])

例2：选取第0,2,4行，第1列的值

1 2	>>> y[np.array([ 0 , 2 , 4 ]),  1 ] array([  1 ,  15 ,  29 ])

例3：选取第0,2,4行的值

1 2 3 4

>>> y[np.array([ 0 , 2 , 4 ])] array([[  0 ,   1 ,   2 ,   3 ,   4 ,   5 ,   6 ],         [ 14 ,  15 ,  16 ,  17 ,  18 ,  19 ,  20 ],         [ 28 ,  29 ,  30 ,  31 ,  32 ,  33 ,  34 ]])

 

四、布尔值或掩码索引数组

例1

1 2 3 4

>>> y  =  np.arange( 35 ) >>> b  =  y> 20 >>> y[b] array([ 21 ,  22 ,  23 ,  24 ,  25 ,  26 ,  27 ,  28 ,  29 ,  30 ,  31 ,  32 ,  33 ,  34 ])

例2

1 2 3 4 5

>>> b[:, 5 ]  # use a 1-D boolean whose first dim agrees with the first dim of y array([ False ,  False ,  False ,   True ,   True ], dtype = bool ) >>> y[b[:, 5 ]] array([[ 21 ,  22 ,  23 ,  24 ,  25 ,  26 ,  27 ],         [ 28 ,  29 ,  30 ,  31 ,  32 ,  33 ,  34 ]])

例3

1 2 3 4 5 6 7 8 9 10 11 12 13 14

>>> x  =  np.arange( 30 ).reshape( 2 , 3 , 5 ) >>> x array([[[  0 ,   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 ,  26 ,  27 ,  28 ,  29 ]]]) >>> b  =  np.array([[ True ,  True ,  False ], [ False ,  True ,  True ]]) >>> x[b] array([[  0 ,   1 ,   2 ,   3 ,   4 ],         [  5 ,   6 ,   7 ,   8 ,   9 ],         [ 20 ,  21 ,  22 ,  23 ,  24 ],         [ 25 ,  26 ,  27 ,  28 ,  29 ]])

　　

五、数组与切片的组合索引数组　　

例1：产生一个5X7的数组，使用数组来索引第一个轴，使用切换来索引第二个轴

1 2 3 4 5

>>> y  =  np.arange( 35 ).reshape( 5 , 7 ) >>> y[np.array([ 0 , 2 , 4 ]), 1 : 3 ] array([[  1 ,   2 ],         [ 15 ,  16 ],         [ 29 ,  30 ]])

例2：切片与布尔类型索引

1 2 3

>>> y[b[:, 5 ], 1 : 3 ] array([[ 22 ,  23 ],         [ 29 ,  30 ]])

　　

六、Structural indexing tools

例1：使用np.newwaxis可以直接扩展维度

1 2 3 4

>>> y.shape ( 5 ,  7 ) >>> y[:,np.newaxis,:].shape ( 5 ,  1 ,  7 )

例2：这是利用了扩展维度与广播特性的矩阵相加。用5X1矩阵与1X5矩阵相加。

1 2 3 4 5 6 7

>>> x  =  np.arange( 5 ) >>> x[:,np.newaxis]  +  x[np.newaxis,:] array([[ 0 ,  1 ,  2 ,  3 ,  4 ],         [ 1 ,  2 ,  3 ,  4 ,  5 ],         [ 2 ,  3 ,  4 ,  5 ,  6 ],         [ 3 ,  4 ,  5 ,  6 ,  7 ],         [ 4 ,  5 ,  6 ,  7 ,  8 ]])

例3：使用 ... 符号来表示其他维度

1 2 3 4 5

>>> z  =  np.arange( 81 ).reshape( 3 , 3 , 3 , 3 ) >>> z[ 1 ,..., 2 ] array([[ 29 ,  32 ,  35 ],         [ 38 ,  41 ,  44 ],         [ 47 ,  50 ,  53 ]])

这例子也相当于下面的代码实现

1 2 3 4

>>> z[ 1 ,:,:, 2 ] array([[ 29 ,  32 ,  35 ],         [ 38 ,  41 ,  44 ],         [ 47 ,  50 ,  53 ]])