9. NumPy高级索引
1. 前言
NumPy 与 Python 的内置序列相比，它提供了更多的索引方式。除了在《Numpy切片和索引》一节用到索引方式外，在 NumPy 中还可以使用高级索引方式，比如整数数组索引、布尔索引以及花式索引，本节主要对上述三种索引方式做详细介绍。
高级索引返回的是数组的副本（深拷贝），而切片操作返回的是数组视图（浅拷贝）。如果您对副本和视图的概念陌生，可直接跳转学习《NumPy副本和视图》一节。
2. 整数数组索引
整数数组索引，它可以选择数组中的任意一个元素，比如，选择第几行第几列的某个元素，示例如下：
import numpy as np #创建二维数组 x = np.array([[1, 2], [3, 4], [5, 6]]) #[0,1,2]代表行索引;[0,1,0]代表列索引 y = x[[0,1,2],[0,1,0]] print (y)
输出结果是：
[1 4 5]
对上述示例做简单分析：将行、列索引组合会得到 (0,0)、(1,1) 和 (2,0) ，它们分别对应着输出结果在原数组中的索引位置。
下面再看一组示例：获取了 4*3 数组中的四个角上元素，它们对应的行索引是 [0,0] 和 [3,3]，列索引是 [0,2] 和 [0,2]。
import numpy as np
b = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9,10,11]])
r = np.array([[0,0],[3,3]])
c = np.array([[0,2],[0,2]])
#获取四个角的元素
c = b[r,c]
print(c)
输出结果：
[[ 0 2] [ 9 11]]
您也可以将切片所使用的:或省略号...与整数数组索引结合使用，示例如下：
import numpy as np
d = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
#对行列分别进行切片
e = d[1:4,1:3]
print(e)
#行使用基础索引，对列使用高级索引
f = d[1:4,[1,2]]
#显示切片后结果
print (f)
#对行使用省略号
h=d[...,1:]
print(h)
输出结果：
#e数组 [[ 4 5] [ 7 8] [10 11]] #f数组 [[ 4 5] [ 7 8] [10 11]] #h数组 [[ 1, 2], [ 4, 5], [ 7, 8], [10, 11]]
3. 布尔数组索引
当输出的结果需要经过布尔运算（如比较运算）时，此时会使用到另一种高级索引方式，即布尔数组索引。下面示例返回数组中大于 6 的的所有元素：
#返回所有大于6的数字组成的数组 import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print (x[x > 6])
输出结果：
[ 7 8 9 10 11]
我们可以使用补码运算符来去除 NaN（即非数字元素），如下所示：
import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print(a[~np.isnan(a))
输出结果：
[ 1. 2. 3. 4. 5.]
下面示例，删除数组中整数元素，如下所示：
import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print( a[np.iscomplex(a)])
输出结果如下：
[2.0+6.j 3.5+5.j]
4. 花式索引（拓展知识）
花式索引也可以理解为整数数组索引，但是它们之间又略有不同，下面通过示例做简单讲解。（本内容作为拓展知识了解即可）
花式索引也会生成一个新的副本。
当原数组是一维数组时，使用一维整型数组作为索引，那么索引结果就是相应索引位置上的元素。
>>> import numpy as np >>> x=np.array([1,2,3,4]) >>> print(x[0]) 1
如果原数组是二维数组，那么索引数组也需要是二维的，索引数组的元素值与被索引数组的每一行相对应，示例如下：
import numpy as np x=np.arange(32).reshape((8,4)) #分别对应 第4行数据、第2行数据、第1行数据、第7行数据项 print (x[[4,2,1,7]])
输出结果：
[[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]]
也可以使用倒序索引数组，示例如下：
import numpy as np x=np.arange(32).reshape((8,4)) print (x[[-4,-2,-1,-7]])
输出结果：
[[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]]
还可以同时使用多个索引数组，但这种情况下需要添加np.ix_。
import numpy as np x=np.arange(32).reshape((8,4)) print (x[np.ix_([1,5,7,2],[0,3,1,2])])
输出结果如下：
[[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]]
其中 [1,5,7,2] 代表行索引，而 [0,3,1,2] 表示与行索引相对应的列索引值，也就是行中的元素值会按照列索引值排序。比如，第一行元素，未排序前的顺序是 [4,5,6,7]，经过列索引排序后变成了 [4,7,5,6]。
