NumPy 高级索引

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。

整数数组索引

以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

实例

import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y)

输出结果为：

[1  4  5]

以下实例获取了 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]。

实例

import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：' ) print (x) print ('\n') rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print ('这个数组的四个角元素是：') print (y)

输出结果为：

我们的数组是：
[[ 0  1  2][ 3  4  5][ 6  7  8][ 9 10 11]]这个数组的四个角元素是：
[[ 0  2][ 9 11]]

返回的结果是包含每个角元素的 ndarray 对象。

可以借助切片 : 或 … 与索引数组组合。如下面例子：

实例

import numpy as np a = np.array([[1,2,3], [4,5,6],[7,8,9]]) b = a[1:3, 1:3] c = a[1:3,[1,2]] d = a[...,1:] print(b) print(c) print(d)

输出结果为：

[[5 6][8 9]]
[[5 6][8 9]]
[[2 3][5 6][8 9]]

布尔索引

我们可以通过一个布尔数组来索引目标数组。

布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。

以下实例获取大于 5 的元素：

实例

import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：') print (x) print ('\n') # 现在我们会打印出大于 5 的元素 print ('大于 5 的元素是：') print (x[x > 5])

输出结果为：

我们的数组是：
[[ 0  1  2][ 3  4  5][ 6  7  8][ 9 10 11]]大于 5 的元素是：
[ 6  7  8  9 10 11]

以下实例使用了 ~（取补运算符）来过滤 NaN。

实例

import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)])

输出结果为：

[ 1.   2.   3.   4.   5.]

以下实例演示如何从数组中过滤掉非复数元素。

实例

import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)])

输出如下：

[2.0+6.j  3.5+5.j]

花式索引

花式索引指的是利用整数数组进行索引。

花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应下标的行，如果目标是二维数组，那么就是对应位置的元素。

花式索引跟切片不一样，它总是将数据复制到新数组中。

1、传入顺序索引数组

实例

import numpy as np x=np.arange(32).reshape((8,4)) print (x[[4,2,1,7]])

输出结果为：

[[16 17 18 19][ 8  9 10 11][ 4  5  6  7][28 29 30 31]]

2、传入倒序索引数组

实例

import numpy as np x=np.arange(32).reshape((8,4)) print (x[[-4,-2,-1,-7]])

输出结果为：

[[16 17 18 19][24 25 26 27][28 29 30 31][ 4  5  6  7]]

3、传入多个索引数组（要使用np.ix_）

实例

import numpy as np x=np.arange(32).reshape((8,4)) print (x[np.ix_([1,5,7,2],[0,3,1,2])])

输出结果为：

[[ 4  7  5  6][20 23 21 22][28 31 29 30][ 8 11  9 10]]

NumPy 切片和索引

NumPy 广播(Broadcast)

1 篇笔记写笔记

wra

107***9066@qq.com

265

关于 np.ix_ 的具体使用：

正文中没有详细说 np.ix_ 是怎么回事，我看了一下 help(numpy.ix_)，说的比较详细。比如正文中举的例子中，x[np.ix_([1,5,7,2],[0,3,1,2])]这句话会输出一个4*4的矩阵，其中的元素分别是：
```
x[1,0] x[1,3] x[1,1] x[1,2]
x[5,0] x[5,3] x[5,1] x[5,2]
x[7,0] x[7,3] x[7,1] x[7,2]
x[2,0] x[2,3] x[2,1] x[2,2]
```
相当于：
```
y=np.array([[x[1,0], x[1,3], x[1,1], x[1,2]],\[x[5,0], x[5,3], x[5,1],x[5,2]],\[x[7,0] ,x[7,3], x[7,1], x[7,2]],\[x[2,0], x[2,3], x[2,1], x[2,2]]])
```
就是说，如果 np.xi_ 中输入两个列表，则第一个列表存的是待提取元素的行标，第二个列表存的是待提取元素的列标，第一个列表中的每个元素都会遍历第二个列表中的每个值，构成新矩阵的一行元素。

wra

wra

107***9066@qq.com

1年前 (2020-03-31)

https://www.runoob.com/numpy/numpy-advanced-indexing.html