【numpy笔记_4】索引、高级索引和切片

得益于模块功能的强大，numpy的索引方式玩得很花，索引也分为常规索引和高级索引，花式索引。

numpy的索引和切片逻辑与list十分相似，基本都以index为基。

之前提到结构化数组通过"name"的方式索引，有点像pandas的列名索引，这里先不多提，整体也好理解。

你可能猜到了，numpy的索引同样从零开始。

先把索引操作放一边，尝试理解它的逻辑：

虽然探究numpy的源代码并不容易，我们试着把概念抽象出来，换个视角看看。

我们把array对象可以看作线、面、体的嵌套形结构，索引与结构一一对应。就像这样：

数组结构与索引的关系.png

这种数组结构与索引的对应关系非常鲜明，让我们看清索引是怎样一步步定位到值的。再结合几个例子看一下：

import numpy as np
datas = [1,2,3,4,5,6,7,8,9,10,11,12]
array_1d = np.array(datas)   # 线
array_2d = np.array(datas).reshape((4,3))   # 面
array_3d = np.array(datas).reshape((2,3,2))   # 体

print(array_1d)
print(array_1d[1:3])  # 还是左闭右开的切片  ******  第2个到第4个（不含）
# 运行结果：
[ 1  2  3  4  5  6  7  8  9 10 11 12]   # 原数组
[2 3]   # 结果（切片）

print(array_2d)
print(array_2d[1])   # 取整行  ******  第2行
# 运行结果：
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]    # 原数组
[4 5 6]   # 结果（取整行）

print(array_3d)
print(array_3d[1, 0, 0])   # 取值  ******  第2个，第1行，第1个
print(array_3d[1, 2, :])     # 取行的某段  ******  第2个，第3行，全部切片
print(array_3d[1, 1])     # 取整行  ******  第2个，第2行
# 运行结果：
[[[ 1  2]
  [ 3  4]
  [ 5  6]]

 [[ 7  8]
  [ 9 10]
  [11 12]]]    # 原数组
7    # 结果（取值）
[11 12]    # 结果（取行的某段）
[ 9 10]    # 结果（取整行）

---

理解到这里，恭喜你已经掌握了索引、切片、多维切片、高级索引的大部分知识点。再看几个例子补充完剩下的：

import numpy as np
datas = [1,2,3,4,5,6,7,8,9,10,11,12]
array_1d = np.array(datas)   # 线
array_2d = np.array(datas).reshape((4,3))   # 面

print(array_1d)
print(array_1d[:9:2])  # 切片操作，（起：止：步长）
print('* '*20)
print(array_2d)
print(array_2d[[1,3],[0,2]])   # 整数数组索引。前后分别是行/列，索引一一对应，相当于（1,0）和（3,2）的意思
print(array_2d[array_2d > 5])   # 布尔索引。找到True的位置对应的值
print(array_2d[[1,2,3]])   # 花式索引。取第2行，第3行，第4行（要用中括号包住，否则意思就变成了在2d数组里找体、行、列）
# 运行结果：
[ 1  2  3  4  5  6  7  8  9 10 11 12]

[1 3 5 7 9]
* * * * * * * * * * * * * * * * * * * * 
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

[ 4 12]

[ 6  7  8  9 10 11 12]

[[ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

---

numpy的索引就到这里。

下篇内容会介绍numpy里的广播机制。
等理解完前面这些知识点，后面的进度就会快一些。