Numpy提供比常规Python序列更多的索引功能。除了通过整数和切片之外,正如我们之前看到的,数组可以由整数数组和布尔数组索引
使用索引数组进行索引
import numpy as np
import numpy as np
a=np.arange(12)**2
a
array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121],
dtype=int32)
i
i=np.array([1,1,3,8,5])
i
array([1, 1, 3, 8, 5])
数组索引
a[i] #数组索引
array([ 1, 1, 9, 64, 25], dtype=int32)
j
j=np.array([[3,4],
[9,7]])
j
array([[3, 4],
[9, 7]])
j
a[j]
array([[ 9, 16],
[81, 49]], dtype=int32)
当索引数组a是多维的,单个索引数组指的是第一个维度a。以下示例通过使用调色板将标签图像转换为彩色图像来显示此行为
ttlte
pattlte=np.array([[0,0,0],
[255,0,0],
[0,255,0],
[0,0,255],
[255,255,255]])
pattlte
array([[ 0, 0, 0],
[255, 0, 0],
[ 0, 255, 0],
[ 0, 0, 255],
[255, 255, 255]])
image
image=np.array([[0,1,2,0],
[0,3,4,0]])
image
array([[0, 1, 2, 0],
[0, 3, 4, 0]])
image
pattlte[image]
array([[[ 0, 0, 0],
[255, 0, 0],
[ 0, 255, 0],
[ 0, 0, 0]],
[[ 0, 0, 0],
[ 0, 0, 255],
[255, 255, 255],
[ 0, 0, 0]]])
我们还可以为多个维度提供索引。每个维度的索引数组必须具有相同的形状
a
a=np.arange(12).reshape((3,4))
a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
i=np.array([[0,1],
[1,2]])