python索引与切片表达_Python科学计算库Numpy之 切片与索引

NumPy - 切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改，就像 Python 的内置容器对象一样。 如前所述，ndarray对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引。 基本切片是 Python 中基本切片概念到 n 维的扩展。 通过将start，stop和step参数提供给内置的slice函数来构造一个 Python slice对象。 此slice对象被传递给数组来提取数组的一部分。

NumPy - 高级索引

如果一个ndarray是非元组序列，数据类型为整数或布尔值的ndarray，或者至少一个元素为序列对象的元组，我们就能够用它来索引ndarray。 高级索引始终返回数据的副本。 与此相反，切片只提供了一个视图。 有两种类型的高级索引：整数和布尔值。

整数索引

这种机制有助于基于 N 维索引来获取数组中任意元素。 每个整数数组表示该维度的下标值。 当索引的元素个数就是目标ndarray的维度时，会变得相当直接。 以下示例获取了ndarray对象中每一行指定列的一个元素。 因此，行索引包含所有行号，列索引指定要选择的元素。

布尔索引

当结果对象是布尔运算(例如比较运算符)的结果时，将使用此类型的高级索引。

NumPy - 代码举例

import numpy as np

a1 = np.arange(10)

s1 = slice(2, 7, 2)

print(a1[s1])

print(a1[2:7:2]) # 切片参数(start:stop:step)

print(a1[3]) # 对单个元素进行切片

print(a1[3:]) # 对始于索引的元素进行切片

print(a1[3:6]) # 对索引之间的元素进行切片,默认step 1

a2 = np.array([[1, 2, 3], [3, 4, 5], [4, 5, 6], [6, 7, 8], [9, 10, 11]])

print(a2[1:])

print(a2[…, 1]) # 返回索引列的ndarray

print(a2[1, …]) # 返回索引行的ndarray

print(a2[1:, …]) # 返回第二行之后的行的所有列

print(a2[[0, 1, 2], [0, 1, 0]]) # 该结果包括数组中(0,0)，(1,1)和(2,0)位置处的元素

rows = np.array([[0, 0], [3, 3]])

cols = np.array([[0, 2], [0, 2]])

print(a2[rows, cols]) # 包含每个角元素的ndarray对象

print(a2[1:4, [1, 2]]) # 组合使用

print(a2[a2 > 6]) # 切出大于6的元素

a3 = np.array([np.nan, 1, 2, np.nan, 3, 4, 5, 2 + 6j])

print(a3[~np.isnan(a3)]) # 使用了~(取补运算符)来过滤NaN

print(a3[np.iscomplex(a3)]) # 滤掉非复数元素