Python numpy使用记录2.数组索引与切片，...的作用

前言

本篇记录numpy数组的索引和切片方法。

数组索引

需要获取numpy数组中的元素，可以采用[index]索引的方法，其中index是每一维度的索引，下标从0开始，到n-1结束（类似C++数组索引）。

索引获得单个元素

当索引的维度与数组维度相同时，索引获得的是单个元素的值：

import numpy as np

a = np.array([[1, 2], [3, 4]])
print(a[0, 1]) # 2
print(a[1, 0]) # 3

另外，索引中的-1表示最后一个元素，-2, -3依此类推：

a[-1, -1] # 4
a[-2, -2] # 1

索引获得单个数组

当索引的维度小于数组维度时，索引获得的是一个低维数组：

import numpy as np

a = np.array([[1, 2], [3, 4]])
print(a[1]) # array([1, 2])
print(a[0]) # array([3, 4])

实际上，获得的低维数组在高维的角度下，其实就是数组的“元素”。

list索引

假设一维numpy数组a.shape=(4,)，现在我想同时获得第一和第三个元素，可以在索引中使用list：

import numpy as np

a = np.random.randn(4)
a[[0, 2]] # np.ndarray, shape=(2,)
a[0, 2] # error!

这里需要分清，在[]索引中，使用list和非list的区别：正如上面的示例中，a[[0, 2]]的意思是提取第一维的第1和第3个元素（可以只有一维），得到的结果是一个新的一维数组；而a[0, 2]则表示提取第一维的第一个、第二维的第三个元素（必须有两维以上），因此会报错。

简单而言，a[[ind1, ind2]]是取索引为ind1, ind2的两个元素作为新数组，而a[ind1, ind2]是取坐标为(ind1, ind2)的元素。

此外，使用多维np.ndarray的效果与python list的效果是相同的，但tuple则是与取坐标效果相同：

import numpy as np

a = np.random.randn(4, 4)
a[[0, 2]] # np.ndarray, shape=(2, 4)
a[np.array([0, 2])] # np.ndarray, shape=(2, 4)
a[0, 2] # scalar
a[(0, 2)] # scalar

数组切片

切片操作是numpy的一个特色机制（pytorch, paddle等也应用了这个机制）。数组切片用于一次获取数组中的多个元素，并保持一定的数组结构。

所谓切片，就是在数组中切割出一部分元素出来，通过在索引中使用:实现。

：索引切片

ind1:ind2在索引中的意思是获取从索引ind1（包括）到ind2（不包括）的元素，也就是左闭右开切片：

import numpy as np

a = np.array([1, 2, 3, 4])
a[1:3] # array([1, 2])
a[:-1] # array([1, 2, 3])

当ind1为空，表示从该维度第一个元素开始；ind2为空时，到最后一个元素结束（包含）切片：

a[:] # array([1, 2, 3, 4])

还有ind1:ind2:step的形式，表示从ind1开始到ind2结束，按照step的步进切片（常用的是[::-1]，表示从最后一个元素到第一个元素切片）：

a[::-1] # array([4, 3, 2, 1])
a[::2] # array([1, 3])
a[1::2] # array([2, 4])
a[1::-1] # array([2, 1])
a[1:2:-1] # array([]), empty array

注意：如果ind1, ind2都不为空，必须满足step>0，则ind1<ind2，step<0，则ind1>ind2。否则切片操作将出现空数组。

多维切片

切片操作可用于多维数组的任意维度上：

import numpy as np

b = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
b[:, 1:] # array([[2, 3, 4], [6, 7, 8]])

索引+切片

索引和切片共同使用：

import numpy as np

b = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
b[:, 1] # array([2, 6])

list索引+切片

list索引和切片共同使用：

import numpy as np

b = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
b[:, [1, 3]] # array([[2, 4], [6, 8]])

…的作用

numpy中，...也被用于数组的索引操作，其作用是根据...在索引中的位置，自动推断获取位置的区域。

上面说的比较难以理解，还是举例：

import numpy as np

c = np.arange(24).rehsape([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]]])

c[...] # equal to c

c[..., 1] # array([[ 1,  5,  9],
          #        [13, 17, 21]])

c[..., 1, 1] # array([ 5, 17])

c[1, ...] # array([[12, 13, 14, 15],
          #        [16, 17, 18, 19],
          #        [20, 21, 22, 23]])

c[1, 1, ...] #array([16, 17, 18, 19])

看上去不那么直观的样子，你可以这么理解：从索引中的...处开始向左右添加:，直到索引的长度与数组维度相同或左右都出现了index，打个比方：

#         向左添加':'         向左添加':'    索引长度与数组维度相同，停止添加
c[..., 1] ---------> c[:, 1] -------->c[:, :, 1]

#         向右添加':'         向右添加':'    索引长度与数组维度相同，停止添加
c[1, ...] ---------> c[1, :] -------->c[1, :, :]

验证一下：

c[:,:,1]
# array([[ 1,  5,  9],
#        [13, 17, 21]])

c[1,:,:]
# array([[12, 13, 14, 15],
#        [16, 17, 18, 19],
#        [20, 21, 22, 23]])

果然没错。现在是不是就感觉...非常简单了呢，就是代替连续重复的:，比较简洁。