Numpy学习笔记——概念、索引、切片与广播机制

说明

本文主要参考了 Numpy快速上手指南 — 基础篇 和 Numpy快速上手指南 — 进阶篇，并且带有一些主观的思考与解释，仅用于帮助理解，因此不保证结论的准确性，也欢迎您指出错误。

Numpy 的轴与秩

Numpy 的轴可以认为是维度，结合 C 语言中的多维数组的概念，或者结合数学中坐标轴的概念，都可以帮助理解“轴”的含义。轴的个数叫做秩，或者说是维数，秩的大小可以理解为描述元素位置所需要的参数个数。例如：

array([[1, 2, 3],
       [4, 5, 6]])

元素5位于第二个一维数组的第二个位置，所以我们可以使用(1, 1)来描述它，因此该数组有两个轴，秩为 2。同时我们可以依据寻找元素5的过程来确定0 轴和1 轴——我们首先确定元素位于哪个一维数组中，因此0 轴就是“垂直向下”的方向；进而确定元素在一维数组中的具体位置，因此1 轴就是“水平向右”的方向。
之所以详细介绍0 轴和1 轴，主要是为了便于理解 获取最大最小值、求和 等操作。举例来讲，我们有一个2*3的矩阵，想要得到每一列的最大值，那么就是沿着纵轴来不断比较得到最大值，存放在长度为 3 的一维数组中，所以我们可以通过设置axis=0来实现：

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
np.max(arr, axis=0)  # array([4, 5, 6])

同理，我们要得到各行的最大值，可以设置axis=1。
如果不清楚数组的秩/形状，可以调用数组的ndim或shape属性来得到答案：

arr.ndim  # 2
arr.shape  # (2, 3)

以上仅是介绍了秩为 2 的数组，更高维的情况是类似的。譬如秩为 3 的数组arr2，获取其每一行的最大值，这里每一行其实是2 轴的方向，所以设置axis=2：

arr2 = np.arange(24).reshape(2, 3, 4)
'''
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]]])
'''
np.max(arr2, axis=2)
'''
array([[ 3,  7, 11],
       [15, 19, 23]])
'''

了解各轴的含义对于后续的学习很有帮助，如广播机制。前文对于各轴的描述其实也是从打印的效果来给出的，观察上述例子，也可以得到以下打印规则（引自 Numpy快速上手指南 — 基础篇 ）：

打印一个数组，NumPy以类似嵌套列表的形式显示它，但是呈以下布局：

• 最后的轴从左到右打印；
• 次后的轴从顶向下打印；
• 剩下的轴从顶向下打印，每个切片通过一个空行与下一个隔开；
• 一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。

索引

Numpy 的索引机制与 Matlab 颇为相似，可以使用整数数组来作为索引得到多个想要的元素，非常灵活。
注意： 下面的介绍暂不考虑切片的情况，仅仅考虑索引。

单数值索引

我们从简单的开始介绍，沿用arr2，我们获取元素20，其位置可以用(1, 2, 0)来唯一对应，具体实现也是如此：

arr2[1, 2, 0]  # 20
arr2[(1, 2, 0)]  # 20

可以看到，我们传入元组索引或者多个整数索引都可以得到元素值，但如果我们传入多个列表，情况就有所不同：

arr2[[1], [2], [0]]  # array([20])

由于没有查询源码，这里推测是使用列表（或数组）时，是可以检索多个元素的，那么返回的查询结果也是多个元素组成的数组。仅检索一个元素是特殊情况，检索两个元素时就比较明晰了：

# 检索(0, 1, 2), (1, 2, 3)两个位置的元素
arr2[[0, 1], [1, 2], [2, 3]]  # array([ 6, 23])

这里传入的各列表需要同等维度或者符合传播机制的规则，数组索引后续会详细介绍，这里只是为了区分几种不同的传参方式。

数组索引

数组索引可以同时检索多个元素，假设需要在秩为 d 的数组中检索 n 个元素 {e₁, e₂, ···, e_n}，其中 e_i 的索引为 (e_i1, e_i2, ···, e_id)，那么调用方式即为 arr_name[arg₁, arg₂, ···, arg_d]，其中 arg_j = [e_1j, e_2j, ···, e_nj]。简单来说，就是要提供每一维度上的索引数组，里面存放着各元素在该维度上的索引值。前文中有对该方式有举例，这里也给出一个较为简单的例子：

arr3 = np.arange(10) * 2  # array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])
arr3[[0, 1, 1, 6]]  # array([ 0,  2,  2, 12])

值得注意的是，这里并不一定传入一维数组，也可以传入高维数组索引，返回结果与传入数组的shape相同：

idx = np.array([[1, 6], [5, 8]])
arr3[idx]
'''
array([[ 2, 12],
       [10, 16]])
'''

布尔索引

通过布尔数组可以实现对元素的筛选，True表示选中，False表示未选中。举个简单的例子，假如我们要筛选arr3中大于 5 的元素，我们可以直接把筛选条件写进去：

arr3[arr3 > 5]  # array([ 6,  8, 10, 12, 14, 16, 18])

这个过程其实可以看成两个步骤，先由 arr3 > 5得到由各元素对应的 bool 值组成的 bool 数组，然后再根据数组索引得到 bool 值为True的元素：

arr3 > 5  # array([False, False, False, True, True, True, True, True, True, True])
arr3[np.array([False, False, False, True, True, True, True, True, True, True])]
# array([ 6,  8, 10, 12, 14, 16, 18])， 与 arr3[arr3 > 5] 结果相同

从这个例子可以看出 bool 数组较好的筛选作用，只需要给出筛选条件就可以得到我们想要的元素，而不是给出具体的索引值。
布尔数组的形状是需要和待检索数组相匹配的，上面的例子是一维数组，传入的 bool 数组对轴上的每一个元素都进行了筛选；对于高维数组，我们自然可以传入和其shape相同的 bool 数组来筛选每一个元素。但是，也可以针对每个维度给出一个 bool 数组，比较类似前面介绍的数组索引。简单来说，检索思路就是通过查看各个维度上第一个True的位置，来确定第一个元素的位置；进而得到所有的待检索元素。所以每一个维度中True的个数要相同。举个例子会更加清晰一点：

arr4 = np.arange(12).reshape(3, 4)
'''
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''
arr4[[True, False, True], [False, True, True, False]]  # array([ 1, 10])

小结

前面的索引方式，对于每一维都有限制；但实际上，我们可能对某一维并没有限制条件，只要在其它维上的条件满足即可，那么一个最普适的思路就是，我们对某一维不做任何代码上的限制：

arr4[[True, False, True]]
'''
array([[ 0,  1,  2,  3],
       [ 8,  9, 10, 11]])
'''

可以看到，我们只限制了第一维（第一维的下标需要是0或2），最后得到所有第一维下标是0或2的元素。换个角度来看这一过程，考虑到第二维上没有任何限制，我们可以沿着arr4的第一维切成 3 份，那么每一份上的元素就是“等价”的，因为第一维是相同的，而第二维又没有做进一步的限制。这样一来，由于限制条件是[True, False, True]，所以把第 1 份和第 3 份拿来就好了，而这也正是最终的结果。虽然这里的描述很是拖沓，但也是我对“切片”的最为直观的理解了。

切片

未完待续