NumPy 5 - 切片和索引
一、基本索引和切片
1、使用索引、切片来访问和修改
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。
ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import numpy as np
'''
ndarray 对象的内容 可以通过 索引 或 切片 来访问和修改，与 Python 中 list 的切片操作一样。
ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，
并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
'''
a = np.arange(10)
print(a) # [0 1 2 3 4 5 6 7 8 9]
s = slice(2, 7, 2) # 从索引 2 开始到索引 7 停止，间隔为2
print(a[s]) # [2 4 6]
2、使用冒号分割切片参数
'''
以上实例中，我们首先通过 arange() 函数创建 ndarray 对象。 然后，分别设置起始，终止和步长的参数为 2，7 和 2。
我们也可以通过冒号分隔切片参数 start:stop:step 来进行切片操作：
'''
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2
print(b) # [2 4 6]
'''
冒号 : 的解释：如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。
如果为 [2:]，表示从该索引开始以后的所有项都将被提取。
如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。
'''
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
b = a[5]
print(b) # 5
print(a[5]) # 5
print(a[2:]) # [2 3 4 5 6 7 8 9]
print(a[2:5]) # [2 3 4]
print('-----')
# 多维数组 同样适用上述索引提取方法
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)
# 从某个索引处开始切割
print('从数组索引 a[1:] 处开始切割')
print(a[1:])
'''
从数组索引 a[1:] 处开始切割
[[3 4 5]
[4 5 6]]
'''
3、省略号
print('-----')
'''
切片还可以包括省略号 … ，来使选择元组的长度与数组的维度相同。
如果在行位置使用省略号，它将返回包含行中元素的 ndarray。
'''
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print (a[...,1]) # 第2列元素 [2 4 5]
print (a[1,...]) # 第2行元素 [3 4 5]
print (a[...,1:]) # 第2列及剩下的所有元素
'''
[[2 3]
[4 5]
[5 6]]
'''
二、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。
1、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。
# 获取数组中(0,0)，(1,1)和(2,0)位置处的元素。
a = [[0, 1, 2], [0, 1, 0]]
print(a) # [[0, 1, 2], [0, 1, 0]]
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0, 1, 2], [0, 1, 0]]
print(y) # [1 4 5]
# 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]。
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(x.shape) # (4, 3)
print ('\n')
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print(rows,'\n',cols)
print ('这个数组的四个角元素是：')
print (y)
'''
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]]
'''
print('--------')
rows = np.array([[0,1],[0,1]])
cols = np.array([[0,2],[0,2]])
z = x[rows,cols]
print (z)
print('---------')
# 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：
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(a)
print(b)
print(c)
print(d)
'''
a
[[1 2 3]
[4 5 6]
[7 8 9]]
b
[[5 6]
[8 9]]
c
[[5 6]
[8 9]]
d
[[2 3]
[5 6]
[8 9]]
'''
2、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：
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])
'''
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。
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)]) # [1. 2. 3. 4. 5.]
print (a[np.isnan(a)]) # [nan nan]
# 过滤非复数元素
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)]) # [2. +6.j 3.5+5.j]
print (a[~np.iscomplex(a)])
3、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位置的元素；如果目标是二维数组，那么就是对应下标的行。
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
x=np.arange(32).reshape((8,4))
print(x)
print (x[[4,2,1,7]])
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[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
print (x[[-4,-2,-1,-7]])
'''
[[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_）
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
'''
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]
'''
