numpy 索引切片迭代

对于一维数组，和Python列表一样进行索引、切片和迭代。

>>> a = np.arange(10)**3
>>> a
array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000    # 首先按步长区间切片，然后将每个元素设置为-1000
>>> a
array([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,   729])
>>> a[ : :-1]                                 # 反转a
array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])
>>> for i in a:
...     print(i)
-1000
1
-1000
27
-1000
125
216
343
512
729

numpy的切片操作，默认是修改原数组的，而不是原生Python那样，以复制为主。

对于多维数组，每个轴都有一个索引index，并以逗号分隔：

>>> b=np.array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23],
       [30, 31, 32, 33],
       [40, 41, 42, 43]])
>>> b[2,3]      # 第3行第4列的元素，注意索引从0开始计数
23
>>> b[2][3]
23
>>> b[0:5, 1]        # 第二列中的每一行，注意区间的左闭合右开的特性
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1]                        # 相当于上面的例子
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ]                      # 每一列的，第二行和第三行的元素
array([[10, 11, 12, 13],
       [20, 21, 22, 23]])
>>> b[-1]   #当给与的参数少于轴数时，其它的轴被认为是全选，比如这里获得最后一行，等同于b[-1,:]
array([40, 41, 42, 43])

在上面的最后例子中，省略了列的索引。有时候，它们会被写作这样的格式x[i,...]。三个连续的圆点，代表其它未给出的所有轴的索引。例如假设有数组x，它有5个轴，那么：

• x[1,2,...]相当于x[1,2,:,:,:]
• x[...,3]相当于x[:,:,:,:,3]
• x[4,...,5,:]相当于x[4,:,:,5,:]

参考下面的例子：

>>> c = np.array( [[[  0,  1,  2],               
...                 [ 10, 12, 13]],
...                [[100,101,102],
...                 [110,112,113]]])
>>> c.shape
(2, 2, 3)
>>> c[1,...]                                   # 等同于c[1,:,:] or c[1]
array([[100, 101, 102],
       [110, 112, 113]])
>>> c[...,2]                                   # 等同于c[:,:,2]
array([[  2,  13],
       [102, 113]])

这是偷懒的做法，不建议使用，省不了多少事，但带来的理解困难却很多。

对于多维数组的迭代其实就是对它的第一轴进行迭代，从下例子中可以看出，每个被打印的对象都是原来的一行：

>>> for row in b:
...     print(row)
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]

如果想对多维数组进行类似Python列表的那样迭代，可以使用数组的flat属性，如下例所示：

>>> for element in b.flat:
...     print(element)
...
0
1
2
3
10
11
12
...