数据分析(三)--numpy进阶part2

Numpy进阶part2

1. 花哨的索引

我们知道如何利用简单的索引值（如 arr[0]）、切片（如 arr[:5]）和布尔掩码（如 arr[arr > 0]）获得并修改部分数组。

这里介绍的花哨的索引和前面那些简单的索引非常类似，但是传递的是索引数组，而不是单个标量。花哨的索引让我们能够快速获得并修改复杂的数组值的子数据集。

1.1 探索花哨的索引

花哨的索引在概念上非常简单，它意味着传递一个索引数组来一次性获得多个数组元素。
例如以下数组：

In[1]: import numpy as np
    rand = np.random.RandomState(42)
    x = rand.randint(100, size=10)
    print(x)
[51 92 14 71 60 20 82 86 74 74]

#假设我们希望获得三个不同的元素，可以用以下方式实现：
In[2]: [x[3], x[7], x[2]]
Out[2]: [71, 86, 14]

#另外一种方法是通过传递索引的单个列表或数组来获得同样的结果：
In[3]: ind = [3, 7, 4]
    x[ind]
Out[3]: array([71, 86, 60])

利用花哨的索引，结果的形状与索引数组的形状一致，而不是与被索引数组的形状一致：

In[4]: ind = np.array([[3, 7],[4, 5]])
    x[ind]
Out[4]: array([[71, 86],[60, 20]])

# 花哨的索引也对多个维度适用。假设我们有以下数组：
In[5]: X = np.arange(12).reshape((3, 4))
      X
Out[5]: array([[ 0, 1, 2, 3],
              [ 4, 5, 6, 7],
              [ 8, 9, 10, 11]])

和标准的索引方式一样，第一个索引指的是行，第二个索引指的是列：

In[6]: row = np.array([0, 1, 2])
    col = np.array([2, 1, 3])
    X[row, col]
Out[6]: array([ 2, 5, 11])

这里需要注意，结果的第一个值是 X[0, 2]，第二个值是 X[1, 1]，第三个值是 X[2, 3]。在花哨的索引中，索引值的配对遵循 2.5 节介绍过的广播的规则。因此当我们将一个列向量和一个行向量组合在一个索引中时&