一、索引
1.1、单值索引
import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原数组：\n",a)
print("单值索引值：\n",a[1][1][2])
>>>
原数组：
[[[ 0 1 2 3]
[ 4 5 6 7]]
[[ 8 9 10 11]
[12 13 14 15]]]
单值索引值：
14
1.2、花式索引
- 可以通过数组，数组中写明元素位置，来索引出多个需要的元素
import numpy as np
a=np.arange(25).reshape(5,5)#定义一个5*5的二维数组
print("原数组：\n",a)
print("花式索引多值（外层取行值）：\n",a[[3, 3, 1, 4]])#注意这里一定传入的是数组格式
print("花式索引多值（二次取值，先行后列）：\n",a[[0,2,2,4],[0,2,4,4]])#注意这里一定传入的是数组格式
>>>
原数组：
[[ 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]]
花式索引多值（外层取行值）：
[[15 16 17 18 19]
[15 16 17 18 19]
[ 5 6 7 8 9]
[20 21 22 23 24]]
花式索引多值（外层取行值）：
[ 0 12 14 24]
1.3、布尔索引
- 可以通过设置筛选条件生成布尔数组，在通过布尔数组反向索引出符合条件的结果
import numpy as np
a=np.random.random((4,4))#生成4×4的二维数组
b=a>0.5#生成以a>0.5为筛选条件的布尔数组
print(b)
print(a[b])#根据布尔数组将原值取出，变成一维数组
>>>
[[ True True False False]
[ True True True False]
[ True True True True]
[ True False True False]]
[0.72159895 0.85017348 0.88332226 0.7494597 0.8514071 0.91133411 0.89253366 0.80979503 0.61827433 0.94660476 0.67418788]
1.4、索引器ix_()
- 与花式索引相比，ix_()可以以轴为单位进行遍历，而非花式索引中的单点遍历
import numpy as np
a=np.arange(24).reshape(4,6)#生成4×4的二维数组
b=a[[1,3],[3,5]]#花式索引
c=a[np.ix_([1,3],[3,5])]#索引器
d=a[[1,3]][:,[3,5]]
print("原数组：\n",a)
print("花式索引：\n",b)
print("索引器索引：\n",c)
print("c等值于d：\n",d)
>>>
原数组：
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]]
花式索引：
[ 9 23]
索引器索引：
[[ 9 11]
[21 23]]
c等值于d：
[[ 9 11]
[21 23]]
二、切片
- numpy切片方式与python默认方式一致
- 切片下来的内容与原数组共享同一片内存空间
import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原数组：\n",a)
print("取一个值：\n",a[1][1][2])
print("切片范围取值：\n",a[1][1][2:4])
print("更大范围的切片遍历：：\n",a[0][:][0:4])
>>>
原数组：
[[[ 0 1 2 3]
[ 4 5 6 7]]
[[ 8 9 10 11]
[12 13 14 15]]]
取一个值：
14
切片范围取值：
[14 15]
更大范围的切片遍历：
[[0 1 2 3] [4 5 6 7]]
三、元素修改
