前言
索引和切片是NumPy中最重要最常用的操作。熟练使用NumPy切片操作是数据处理和机器学习的前提，所以一定要掌握好。
参考NumPy官方文档，总结NumPy索引和切片，可以看到它们相比Python更加方便、简介和强大。
索引和切片
您可以使用与切片 Python列表相同的方法，对NumPy数组进行索引和切片。
>>> data = np.array([1, 2, 3])
>>> data[1]
2
>>> data[0:2]
array([1, 2])
>>> data[1:]
array([2, 3])
>>> data[-2:]
array([2, 3])
你可以这样想象：
您可能需要获取数组的一部分或特定数组元素，以便在进一步分析或其他操作中使用。为此，需要对数组进行子集、切片和/或索引。
如果您想从数组中选择满足特定条件的值，那么NumPy很简单。
例如，如果从这个数组开始：
>>> a = np.array([[1 , 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
可以轻松打印数组中小于5的所有值。
>>> print(a[a 5])
[1 2 3 4]
例如，还可以选择等于或大于5的数字，并使用该条件对数组进行索引。
>>> five_up = (a >= 5)
>>> print(a[five_up])
[ 5 6 7 8 9 10 11 12]
可以选择可被2整除的元素：
>>> divisible_by_2 = a[a%2==0]
>>> print(divisible_by_2)
[ 2 4 6 8 10 12]
或者可以使用和|运算符选择满足两个条件的元素：
>>> c = a[(a > 2) (a 11)]
>>> print(c)
[ 3 4 5 6 7 8 9 10]
还可以使用逻辑运算符和 |返回布尔值，指定数组中的值是否满足特定条件。这对于包含名称或其他分类值的数组很有用。
>>> five_up = (a > 5) | (a == 5)
>>> print(five_up)
[[False False False False]
[ True True True True]
[ True True True True]]
还可以使用np.nonzero()从数组中选择元素或索引。
从这个数组开始：
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
可以使用np.nonzero()打印元素的索引，例如，小于5：
>>> b = np.nonzero(a 5)
>>> print(b)
(array([0, 0, 0, 0]), array([0, 1, 2, 3]))
在本例中，返回了一个数组元组：每个维度一个。第一个数组表示找到这些值的行索引，第二个数组表示找到这些值的列索引。
如果要生成元素所在的坐标列表，可以压缩数组，遍历坐标列表，然后打印它们。例如：
>>> list_of_coordinates= list(zip(b[0], b[1]))
>>> for coord in list_of_coordinates:
... print(coord)
(0, 0)
(0, 1)
(0, 2)
(0, 3)
还可以使用np.nonzero()打印数组中小于5的元素，并使用：
>>> print(a[b])
[1 2 3 4]
如果要查找的元素在数组中不存在，则返回的索引数组将为空。例如：
>>> not_there = np.nonzero(a == 42)
>>> print(not_there)
(array([], dtype=int64), array([], dtype=int64))
总结
到此这篇关于NumPy索引与切片用法的文章就介绍到这了,更多相关NumPy索引与切片内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:- numpy中索引和切片详解
- python numpy数组的索引和切片的操作方法
- NumPy 基本切片和索引的具体使用方法
- 浅析NumPy 切片和索引
