深入了解NumPy 高级索引-猿码集

1. NumPy高级索引简介

高级索引是NumPy的一项强大功能，支持多维数组的切片、布尔索引、整数数组索引等操作，它提供了许多灵活的方式来选择、操作和组合数据。与基本索引不同，高级索引会返回数据的副本，因此需要谨慎使用。

在高级索引中，访问多维数组的方式可以跟Python中的列表切片一样，也可以使用布尔数组和整数数组索引。这些特定的高级索引方法可以使我们选择数组的任何一部分，而不仅仅是简单的单个元素或行列。

在高级切片中，我们可以使用基本切片来提取数组的任何子集。与基本切片相似，高级切片也使用冒号（:）来分隔切片，但它允许我们使用一个元组或列表作为切片对象。


import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
print(a[:, [True, False]])
# [[1]
#  [3]
#  [5]]

在这个例子中，我们使用冒号来提取所有行，并使用列表[True,False]来提取数组的第一列。

在高级切片中，我们还可以使用不规则的切片来提取数组的任何一部分。不规则切片是指使用整数数组表示所需元素的切片。下面是一个例子：


import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([0, 2, 0])
print(a[np.arange(3), b])
# [1 6 5]

在这个例子中，我们使用整数数组b来提取每一行的对应元素（即第1行的第0列元素，第2行的第2列元素，第3行的第0列元素）。

在高级切片中，还有一种方便的方法可以使用省略号(...)来取代多个维度的切片。省略号可以在多维数组中表示任意数量的冒号，并且只能在高级索引中使用。它可以使我们在不知道数组有多少维的情况下轻松地使用切片。例如：


import numpy as np
a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(a[..., 1])
# [[2 4]
#  [6 8]]

在这个例子中，我们使用省略号来表示所有维度，并使用索引1来提取每一个元素的第二个值。

布尔索引是一种通过布尔值来选取数组中的元素的方法。它允许我们选择数组中满足一些条件的元素。

在一维数组中，我们可以使用一维的布尔数组来筛选元素。具体地，在布尔数组中，True表示保留元素，False表示舍弃元素。例如：


import numpy as np
a = np.array([1, 2, 3, 4])
mask = np.array([True, False, False, True])
print(a[mask])
# [1 4]

在这个例子中，我们使用布尔数组mask来选择数组中的第1个和第4个元素。

在多维数组中，我们可以使用二维布尔数组来筛选元素。具体地，在二维布尔数组中，每一行表示数组的一维，每一列表示需要选取的元素。例如：


import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
mask = np.array([[True, False], [False, True], [True, True]])
print(a[mask])
# [1 4 5 6]

在这个例子中，我们使用二维布尔数组mask来选择数组中的所有元素，但只返回满足条件的元素（即第1行的第0列元素、第2行的第1列元素、第3行的所有元素）。

整数数组索引是一种可以使用不规则索引来选择数组任何一部分的方法。整数数组索引使用整数数组来表示所需元素的索引号。例如：


import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
idx = np.array([0, 2, 0])
print(a[np.arange(3), idx])
# [1 6 5]

在这个例子中，我们使用整数数组idx来提取每一行的对应元素（即第1行的第0列元素，第2行的第2列元素，第3行的第0列元素）。

在本文中，我们介绍了NumPy高级索引的相关知识。我们学习了高级切片、布尔索引和整数数组索引三种高级索引方法，在实际应用中，我们可以根据具体需求选择合适的方法来选择、操作和组合数组数据。需要注意的是，使用高级索引时需要谨慎，因为它们返回数组的副本而不是视图，可能会对性能产生影响。