1、普通索引
普通索引是指使用单个整数或整数列表来索引数组中的元素。
1）索引数组元素
数组索引与访问数组元素相同。
可以通过引用其索引号来访问数组元素。
NumPy数组中的索引以0开头，这意味着第一个元素的索引为0，第二个元素的索引为1等。
例如：
从以下数组中获取第一个元素：
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[0])
例如：
从以下数组中获取第二个元素。
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[1])
例如：
从以下数组中获取第三和第四个元素并将其添加。
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[2] + arr[3])
2）索引二维数组
要访问二维数组中的元素，我们可以使用逗号分隔的整数来表示元素的维数和索引。
例如：
访问第一行第二列的元素：
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('arr[0, 1]: ', arr[0, 1])
例如：
访问第二行第五列的元素：
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('arr[1, 4]: ', arr[1, 4])
3）索引三维数组
索引三维数组中的元素，可以使用逗号分隔的整数来表示元素的尺寸和索引。
例如：
访问第一个数组的第二个数组的第三个元素:
import numpy as np arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) print(arr[0, 1, 2])
示例说明
arr[0, 1, 2]输出的值为6.
第一个数字表示第一维，它包含两个数组：[[1、2、3]，[4、5、6]]
和：[[7、8， 9]，[10，11，12]]
因为我们选择了0，所以剩下的第一个数组是：[[1、2、3]，[4 ，5，6]]
第二个数字代表第二维，它还包含两个数组：[1、2、3]
和：[4、5、6]
，因为我们选择了1，剩下第二个数组：[4，5，6]
第三个数字代表第三个维度，其中包含三个值：456
由于我们选择了2，因此我们以第三个值：6
2、高级索引
高级索引允许使用布尔值或数组来索引数组中的元素。
1）整数数组索引
语法：arr[indices]
使用一个整数数组作为索引，可以用来选择数组中的特定元素。如二维数组操作的就是行。
import numpy as np a = np.array([[1, 2], [3, 4], [5, 6]]) idx = np.array([[0, 2],[1,2]]) print(a[idx]) # 使用整数数组索引,这是一个数组，而不能使用print(a[[0, 2],[1,2]]) # [[[1 2] # [5 6]] # [[3 4] # [5 6]]]
2）花式索引
语法：arr[ind1, ind2, ...]
花式索引指的是利用多个整数数组进行索引。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。花式索引跟切片不一样，它总是将数据复制到新数组中。如二维数组是行列对应的元素。如二维数组操作的是行列对应的元素。
import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
idx = np.array([[0, 2],[1,2],[0,1]])
#print(a[idx]) # 使用整数数组索引
#print(a)
print(a[[0,1,1]]) # 花式索引
print("---------")
print(a[[0,1,1],[0,0,0]])
#a = np.array([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],
# [[10, 11, 12], [13, 14, 15], [16, 17, 18]]
# ])
#idx = np.array([[0, 1],[0,1]])
#print(a[idx]) # 使用整数数组索引3）布尔索引
布尔索引是一种用于根据元素的值来选择要返回的元素的索引方法。
import numpy as np # 创建一个 2D 数组 data = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) # 创建一个布尔数组 mask = data > 5 # 使用布尔索引 print(data[mask]) # 输出：[6 7 8]
4）使用示例
import numpy as np
# 创建一个示例数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用整数数组进行高级索引
indices = np.array([1, 3, 5])
result = arr[indices]
print(result) # 输出：[2 4 6]
# 使用布尔数组进行高级索引
mask = arr > 5
result = arr[mask]
print(result) # 输出：[6 7 8 9]
# 使用高级索引修改数组元素
arr[indices] = 0
print(arr) # 输出：[1 0 3 0 5 0 7 8 9]
# 使用二维整数数组进行高级索引
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
row_indices = np.array([0, 2])
col_indices = np.array([1, 2])
result = matrix[row_indices, col_indices]
print(result) # 输出：[2 9]
# 使用布尔数组进行高级索引和修改
mask = matrix > 3
matrix[mask] = 0
print(matrix)
# 输出：
# [[1 2 3]
# [0 0 0]
# [0 0 0]]
3、负索引
使用负索引从头开始访问数组。
例如：
打印第二行的最后一个元素：
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('Last element from 2nd dim: ', arr[1, -1])