Numpy基础之 索引和切片

Numpy数组的索引是一个内容丰富的主题，因为选取数据子集和单个元素的方式有很多。一维数组很简单。从表面上看，它们跟Python列表的功能差不多：

In [109]: arr=np.arange(10)

In [110]: arr
Out[110]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [111]: arr[5]
Out[111]: 5

In [112]: arr[5:8]
Out[112]: array([5, 6, 7])

In [113]: arr[5:8]=12

In [114]: arr
Out[114]: array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])

如上所示，当你将一个标量赋值给一个切片时（如arr[5;8]=12）,该值会自动广播到整个选区。跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到原数组上：

In [117]: arr_slice=arr[5:8]

In [118]: arr_slice[1]=12345

In [119]: arr
Out[119]: array([    0,     1,     2,     3,     4,    12, 12345,    12,     8,
    9])

In [120]: arr_slice[:]=64

In [121]: arr
Out[121]: array([ 0,  1,  2,  3,  4, 64, 64, 64,  8,  9])

如果你刚开始接触Python，可能会对此感到惊讶（尤其是当你曾经用过其他热衷于复制数组数据的语言）。由于Numpy的设计目的是处理大数据，所以你可以想象一下，假如Numpy坚持要将数据复制来复制去的话会产生何等性能和内存问题。

当然，如果你想要得到的是ndarray切片的一份副本而非视图，就需要显示地进行复制操作，例如arr[5:8].copy()。

对于高维数组，能做的事情更多。在一个二维数组中，各索引位置上的元素不再是标量而是一维数组：

In [122]: arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])

In [123]: arr2d[2]
Out[123]: array([7, 8, 9])

因此，可以对各个元素进行递归访问，但这样需要做的事情有点多。你可以传入一个以逗号隔开的索引列表来选取单个元素。也就是说，下面两种方式是等价的：

In [124]: arr2d[0][2]
Out[124]: 3

In [125]: arr2d[0,2]
Out[125]: 3

在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray。因此，在2*2*3数组arr3d中：

In [126]: arr3d=np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])

In [127]: arr3d
Out[127]:
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

arr3d[0]是一个2*3数组：

In [128]: arr3d[0]
Out[128]:
array([[1, 2, 3],
       [4, 5, 6]])

标量值和数组都可以被赋值给arr3d[0]：

In [129]: old_values=arr3d[0].copy()

In [130]: arr3d[0]=42

In [131]: arr3d
Out[131]:
array([[[42, 42, 42],
        [42, 42, 42]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

In [132]: arr3d[0]=old_values

In [133]: arr3d
Out[133]:
array([[[ 1,  2,  3],