Python NumPy教程之索引详解

索引

在 NumPy 数组中，索引可以应用于数组的每个维度。这个概念可能比在 Python 中使用列表以及其他序列容器的索引稍微复杂一些，但它在 NumPy 中同样有效。了解如何使用索引对于输入数组进行修改很关键。这里是一些基本的索引示例：

基本索引

创建一个 3 x 4 的数组：

import numpy as np

a = np.array([[0, 1, 2, 3],
              [4, 5, 6, 7],
              [8, 9, 10, 11]])

我们可以简单的把索引提取出来:

print(a[2, 3]) # 输出 11

当您在切片 Numpy 数组时，记住它总是返回源的子集：

print(a[:2, :2])

# 打印输出：
# [[0 1]
#  [4 5]]

整数数组索引

整数索引意味着你以一个指示需要哪些元素的整数列表进行索引。 把负数当作索引看待会从数组的末尾开始计算：

import numpy as np

a = np.array([[0, 1],
              [2, 3],
              [4, 5]])

print(a[[0, 1, 2], [0, 1, 0]])

# 打印输出：
# [0 3 4]

布尔索引

我们可以使用一个布尔数组来进行索引数组。 结果将是与布尔数组形状相同的数组，而取值则为 True 对应的原数组中的值。这种索引方式非常非常强大。这里是一个示例：

import numpy as np

a = np.array([[0, 1],
              [2, 3],
              [4, 5]])

bool_idx = (a > 2)

print(bool_idx)

# 输出 True/False 数组，表示哪些元素大于 2：
# [[False False]
#  [False  True]
#  [ True  True]]

print(a[bool_idx])

# 输出大于 2 的所有元素
# [3, 4, 5]

示例

示例 1：获取数组形状

import numpy as np

a = np.array([[0, 1, 2, 3],
              [4, 5, 6, 7],
              [8, 9, 10, 11]])

print("数组形状：", a.shape)

在这个例子中，我们定义了一个 3 x 4 的数组，并使用 Numpy 提供的函数 shape 获取数组的形状，即 (3, 4)。

示例 2：矩阵运算

import numpy as np

x = np.array([[1, 2], [3, 4]])
y = np.array([[5, 6], [7, 8]])

print("矩阵相乘：", np.dot(x, y))

在这个例子中，我们定义了两个 2 x 2 的矩阵 x 和 y，并使用 dot 函数计算它们的矩阵乘积。