NumPy索引介绍——数组的索引和切片

索引介绍

NumPy的数组对象ndarrays可以和Python标准序列数据类型一样，使用 x[obj] 进行索引操作。其中，x是数组，obj是索引选择。有三种可用的索引：基本切片、高级索引、字段访问。

一、基本切片和索引

Python序列的切片操作是一维的，NumPy 将对数组的切片拓展到了N维。
基本切片语法 i:j:k：其中i是起始索引，j是停止索引，k是步长。

对于多维数组的索引 array[(x, y, z)]可以被简写成x[x, y, z]，这也是NumPy的语法糖。

示例：

>>>x = np.arange(10)
>>>x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))

# 简单索引
>>>x[3]
3

# 一维切片
>>>x = np.arange(10)
>>>x[1:7:2]
array([1, 3, 5])

# 多维切片
>>>y = np.arange(20).reshape(4,5)
>>>y
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

>>>y[1:4, 1:4]
array([[ 6,  7,  8],
       [11, 12, 13],
       [16, 17, 18]])

# i和j为负，则可看作为n+i和n+j，n为维度中元素数量。
# k为负，则步长向前。
>>>x[-2:10]
array([8, 9])

>>>x[-3:3:-1]
array([7, 6, 5, 4])

# 默认写法 ":"
>>>x[4:]
array([4, 5, 6, 7, 8, 9])

# 如果索引元组的元素数小于维度，则假定任何其它维
>>> z = np.array([[[1],[2],[3]], [[4],[5],[6]]])
>>> z.shape
(2, 3, 1)
>>> z[1:2]
array([[[4],
        [5]
        [6]]])

# 索引中可以使用 "..." 代指其它维度的全部索引，一个索引中只能有一个省略号
>>>z[...,0]
array([[1, 2, 3],
        [4, 5, 6]])

# 使用newaxis 增加维度
>>>z[:,np.newaxis,:,:].shape
(2, 1, 3, 1)

注意

• 索引 i 和 i:i+1的区别：
  >>>z = np.array([[[1],[2],[3]], [[4],[5],[6]]])
>>>z[0, 0, 0], z[0:1, 0, 0]
(1, array([1]))
• 可以使用切片来设置数组的值，但不能改变数组的形状
• 基本切片只返回数据的视图，并不会返回数据的拷贝

二、高级索引

高级索引有两种类型：整数苏松阴和布尔索引。与基本切片不同，高级索引返回数组的副本。

2.1 整数数组索引

# 整数数组分别表示所需索引的下标。
# 取点[0,0], [1,1], [2,0]
>>>x = np.array([[1,  2],  [3,  4],  [5,  6]]) 
>>>x[[0,1,2],  [0,1,0]]  
array([1, 4, 5])

# 获取了 4X3 数组中的四个角的元素。 
# 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。

>>> x = array([[ 0,  1,  2],
               [ 3,  4,  5],
               [ 6,  7,  8],
               [ 9, 10, 11]])
>>> rows = np.array([[0, 0],
...                  [3, 3]], dtype=np.intp)
>>> columns = np.array([[0, 2],
...                     [0, 2]], dtype=np.intp)
>>> x[rows, columns]
array([[ 0,  2],
       [ 9, 11]])
# 使用np.ix_(rows, columns)获得相同效果
>>>x[[0,3], [0,2]

注意
如果高级索引和基本切片的结果数组相同，优先使用切片。但是如果需要副本有不同的存储位置，则使用高级索引。

2.2 布尔索引

当索引对象是布尔类型时， 也会发生高级索引。

# 对于array[obj]
# 如果array.ndim == obj.ndim，
# 将返回一个一维数组，其中包含所有obj中为 True 的位置的元素，以row-major为顺序。
>>>x = np.array([[1., 2.], [np.nan, 3.], [np.nan, np.nan]])
>>>np.isnan(x),x[~np.isnan(x)]
(array([[False, False],
        [ True, False],
        [ True,  True]]),
 array([1., 2., 3.]))

# 使用ix_()功能
>>> x = array([[ 0,  1,  2],
               [ 3,  4,  5],
               [ 6,  7,  8],
               [ 9, 10, 11]])
>>> rows = (x.sum(-1) % 2) == 0
>>> rows
array([False,  True, False,  True])
>>> columns = [0, 2]
>>> x[np.ix_(rows, columns)]
array([[ 3,  5],
       [ 9, 11]])

2.3 字段索引

如果数组对象是结构化数组，则可以使用字符串索引来访问数组的字段。使用方式和字典类似。

>>> x = np.zeros((2,2), dtype=[('a', np.int32), ('b', np.float64, (3,3))])
>>>x
array([[(0, [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]),
        (0, [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])],
       [(0, [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]),
        (0, [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])]],
      dtype=[('a', '<i4'), ('b', '<f8', (3, 3))])

>>>x['a']
array([[0, 0],
        [0, 0]])
>>>x['a'].dtype
dtype('int32')

>>>x['b']
array([[[[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]],
 
         [[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]]],
 
 
        [[[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]],
 
         [[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]]]])
>>>x['b'].dtype
dtype('float64')