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數(shù)和切片的索引外，數(shù)組可以由整數(shù)數(shù)組索引、布爾索引及花式索引。
整數(shù)數(shù)組索引
以下實(shí)例獲取數(shù)組中(0,0)，(1,1)和(2,0)位置處的元素。
|
1
2
3
4
5
|
import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y) |
輸出結(jié)果為：
[1 4 5]
以下實(shí)例獲取了 4X3 數(shù)組中的四個(gè)角的元素。 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。
|
1
2
3
4
5
6
7
8
9
10
11
|
import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我們的數(shù)組是：' )print (x)print ('\n')rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print ('這個(gè)數(shù)組的四個(gè)角元素是：')print (y) |
輸出結(jié)果為：
我們的數(shù)組是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
這個(gè)數(shù)組的四個(gè)角元素是：
[[ 0 2]
[ 9 11]]
返回的結(jié)果是包含每個(gè)角元素的 ndarray 對象。
可以借助切片 : 或 … 與索引數(shù)組組合。如下面例子：
|
1
2
3
4
5
6
7
8
9
|
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) |
輸出結(jié)果為：
[[5 6]
[8 9]]
[[5 6]
[8 9]]
[[2 3]
[5 6]
[8 9]]
布爾索引
我們可以通過一個(gè)布爾數(shù)組來索引目標(biāo)數(shù)組。
布爾索引通過布爾運(yùn)算（如：比較運(yùn)算符）來獲取符合指定條件的元素的數(shù)組。
以下實(shí)例獲取大于 5 的元素：
|
1
2
3
4
5
6
7
8
9
|
import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我們的數(shù)組是：')print (x)print ('\n')# 現(xiàn)在我們會打印出大于 5 的元素 print ('大于 5 的元素是：')print (x[x > 5]) |
輸出結(jié)果為：
我們的數(shù)組是：
[[ 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]
以下實(shí)例使用了 ~（取補(bǔ)運(yùn)算符）來過濾 NaN。
|
1
2
3
4
|
import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)]) |
輸出結(jié)果為：
[ 1. 2. 3. 4. 5.]
以下實(shí)例演示如何從數(shù)組中過濾掉非復(fù)數(shù)元素。
|
1
2
3
4
|
import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)]) |
輸出如下：
[2.0+6.j 3.5+5.j]
花式索引
花式索引指的是利用整數(shù)數(shù)組進(jìn)行索引。
花式索引根據(jù)索引數(shù)組的值作為目標(biāo)數(shù)組的某個(gè)軸的下標(biāo)來取值。對于使用一維整型數(shù)組作為索引，如果目標(biāo)是一維數(shù)組，那么索引的結(jié)果就是對應(yīng)位置的元素；如果目標(biāo)是二維數(shù)組，那么就是對應(yīng)下標(biāo)的行。
花式索引跟切片不一樣，它總是將數(shù)據(jù)復(fù)制到新數(shù)組中。
1、傳入順序索引數(shù)組
|
1
2
3
4
|
import numpy as np x=np.arange(32).reshape((8,4))print (x[[4,2,1,7]]) |
輸出結(jié)果為：
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
2、傳入倒序索引數(shù)組
|
1
2
3
4
|
import numpy as np x=np.arange(32).reshape((8,4))print (x[[-4,-2,-1,-7]]) |
輸出結(jié)果為：
[[16 17 18 19]
[24 25 26 27]
[28 29 30 31]
[ 4 5 6 7]]
3、傳入多個(gè)索引數(shù)組（要使用np.ix_）
|
1
2
3
4
|
import numpy as np x=np.arange(32).reshape((8,4))print (x[np.ix_([1,5,7,2],[0,3,1,2])]) |
輸出結(jié)果為：
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]
以上就是深入了解NumPy 高級索引的詳細(xì)內(nèi)容，更多關(guān)于NumPy 高級索引的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://www.runoob.com/numpy/numpy-advanced-indexing.html
