索引编制

基本切片和索引¶

基本切片将Python的基本概念扩展为N个维度。当obj是一个slice对象（由start:stop:step括号内的符号构成），一个整数或一个切片对象和整数的元组时，就会发生基本切片。Ellipsis 和newaxis对象可以与这些也穿插。

使用N个整数进行索引的最简单情况是返回表示对应项的数组标量。与Python中一样，所有索引均从零开始：对于第i个索引，有效范围为where 是 数组形状的第i个元素。负索引被解释为从数组末尾开始计数（即，如果 ，则表示）。

通过基本切片生成的所有阵列始终都是 原始阵列的视图。

序列切片的标准规则适用于基于维（包括使用阶跃索引）的基本切片。需要记住的一些有用的概念包括：

• 基本切片语法是i:j:k其中我是起始索引， Ĵ是停止索引，并且ķ是步骤（）。这将选择索引值为i，i + k，…，i +（m-1）k的m个元素（在相应维度中），其中 和q和r是通过将j-i除以k：j得到的商和余数-i = qk + r，因此 i +（m-1）k <j。

  例

  >>> x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  >>> x[1:7:2]
  array([1, 3, 5])
  

• 负数i和j解释为n + i和n + j，其中 n是相应维中元素的数量。负k使步进趋向较小的索引。

  例

  >>> x[-2:10]
  array([8, 9])
  >>> x[-3:3:-1]
  array([7, 6, 5, 4])
  

• 假设n是要切片的维度中的元素数。然后，如果我没有给出其默认值为0 K> 0和 N - 1为ķ<0 。如果Ĵ没有给出其默认值为Ñ为K> 0 和-n-1为ķ<0 。如果未指定k，则默认为1。请注意，该 ::值与相同:，表示选择沿该轴的所有索引。

  例

  >>> x[5:]
  array([5, 6, 7, 8, 9])
  

• 如果选择元组中的对象数小于 N，则:假定用于任何后续维。

  例

  >>> x = np.array([[[1],[2],[3]], [[4],[5],[6]]])
  >>> x.shape
  (2, 3, 1)
  >>> x[1:2]
  array([[[4],
          [5],
          [6]]])
  

• Ellipsis扩展到:选择元组索引所有维度所需的对象数。在大多数情况下，这意味着扩展选择元组的长度为x.ndim。可能只有一个省略号。

  例

  >>> x[...,0]
  array([[1, 2, 3],
         [4, 5, 6]])
  

• newaxis选择元组中的每个对象用于将结果选择的尺寸扩展一个单位长度尺寸。添加的维度是newaxis 对象在选择元组中的位置。

  例

  >>> x[:,np.newaxis,:,:].shape
  (2, 1, 3, 1)
  

• 的整数，我，返回相同的值i:i+1 ，除了返回的对象的维数由1。特别地降低，与所述选择元组p个元素的整数（以及所有其它条目:）返回相应的子阵列与维N-1。如果N = 1， 则返回的对象是数组标量。这些对象在Scalars中进行了说明。

• 如果选择元组具有:除第p个条目以外的所有条目（ 它是一个切片对象）i:j:k，则返回数组的维数N是通过串联由元素i，i + k，…，i +（ m-1）k <j，

• :切片元组中具有多个非入口的基本切片的行为就像使用单个非:入口重复应用切片，其中:连续采用非入口（所有其他非:入口均由代替:）。因此，其 x[ind1,...,ind2,:]行为类似于x[ind1][...,ind2,:]基本切片。

  警告

  对于高级索引，以上内容不适用。

• 您可以使用切片来设置数组中的值，但是（与列表不同）您永远无法增长数组。要设置的值的大小 必须（可广播）为与相同的形状 。x[obj] = valuex[obj]

numpy.newaxis

该newaxis对象可用于所有切片操作中以创建长度为一的轴。newaxis是“无”的别名，可以用“无”代替它，结果相同。

高级索引¶

当选择对象obj是非元组序列对象，ndarray（数据类型为整数或布尔值的）非元组或具有至少一个序列对象或ndarray（数据类型为整数或布尔值）的元组时，将触发高级索引。有两种类型的高级索引：整数和布尔值。

高级索引总是返回数据的副本（与返回视图的基本切片相反）。

result[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M],
                           ..., ind_N[i_1, ..., i_M]]

>>> x = np.array([[1, 2], [3, 4], [5, 6]])
>>> x[[0, 1, 2], [0, 1, 0]]
array([1, 4, 5])

>>> x = array([[ 0,  1,  2],
...            [ 3,  4,  5],
...            [ 6,  7,  8],
...            [ 9, 10, 11]])
>>> rows = np.array([[0, 0],
...                  [3, 3]], dtype=np.intp)
>>> columns = np.array([[0, 2],
...                     [0, 2]], dtype=np.intp)
>>> x[rows, columns]
array([[ 0,  2],
       [ 9, 11]])

>>> rows = np.array([0, 3], dtype=np.intp)
>>> columns = np.array([0, 2], dtype=np.intp)
>>> rows[:, np.newaxis]
array([[0],
       [3]])
>>> x[rows[:, np.newaxis], columns]
array([[ 0,  2],
       [ 9, 11]])

>>> x[np.ix_(rows, columns)]
array([[ 0,  2],
       [ 9, 11]])

>>> x[1:2, 1:3]
array([[4, 5]])
>>> x[1:2, [1, 2]]
array([[4, 5]])

>>> x = np.array([[1., 2.], [np.nan, 3.], [np.nan, np.nan]])
>>> x[~np.isnan(x)]
array([ 1.,  2.,  3.])

>>> x = np.array([1., -1., -2., 3])
>>> x[x < 0] += 20
>>> x
array([  1.,  19.,  18.,   3.])

>>> x = np.array([[0, 1], [1, 1], [2, 2]])
>>> rowsum = x.sum(-1)
>>> x[rowsum <= 2, :]
array([[0, 1],
       [1, 1]])

>>> rowsum = x.sum(-1, keepdims=True)
>>> rowsum.shape
(3, 1)
>>> x[rowsum <= 2, :]    # fails
IndexError: too many indices
>>> x[rowsum <= 2]
array([0, 1])

>>> x = array([[ 0,  1,  2],
...            [ 3,  4,  5],
...            [ 6,  7,  8],
...            [ 9, 10, 11]])
>>> rows = (x.sum(-1) % 2) == 0
>>> rows
array([False,  True, False,  True])
>>> columns = [0, 2]
>>> x[np.ix_(rows, columns)]
array([[ 3,  5],
       [ 9, 11]])

>>> rows = rows.nonzero()[0]
>>> x[rows[:, np.newaxis], columns]
array([[ 3,  5],
       [ 9, 11]])

详细的注释¶

这些是一些详细的注释，对于日常索引编制（不按特定顺序）不重要：

• 本地NumPy索引类型为intp默认整数数组类型，并且可能与默认整数数组类型不同。intp是足以安全地索引任何数组的最小数据类型；对于高级索引，它可能比其他类型更快。

• 对于高级分配，通常不保证迭代顺序。这意味着，如果一个元素被多次设置，则不可能预测最终结果。

• 空（元组）索引是零维数组中的完整标量索引。 如果尺寸为零，则x[()]返回标量，否则x为视图。另一方面，x[...]总是返回一个视图。

• 如果索引中存在零维数组，并且它是全整数索引，则结果将是标量，而不是零维数组。（不会触发高级索引。）

• 当省略号（...）存在但没有大小（即替换为零 :）时，结果仍将始终是数组。如果没有高级索引，则为视图，否则为副本。

• nonzero布尔数组的等价不适用于零维布尔数组。

• 如果高级索引操作的结果没有元素，但单个索引超出范围，IndexError则不确定是否引发an （例如，超出范围）。x[[], [123]]123

• 如果在分配过程中发生转换错误（例如，使用字符串序列更新数字数组），则分配给该数组的结果可能会以不可预测的部分更新状态结束。但是，如果发生任何其他错误（例如越界索引），则数组将保持不变。

• 对于每个索引操作，都会优化高级索引结果的存储器布局，并且无法假定特定的存储器顺序。

• 当使用一个子类（尤其是其操纵它的形状），默认ndarray.__setitem__行为会调用__getitem__的 基本索引而不是先进的索引。对于此类子类，可能最好在数据上ndarray.__setitem__使用基类 ndarray视图进行调用。这必须如果子类来完成__getitem__不返回意见。

字段访问¶

如果ndarray对象是结构化数组 ，则可以通过使用类似于字典的字符串对数组进行索引来访问数组的字段。

索引x['field-name']将返回一个新的视图到数组，该视图的形状与x相同（当字段是子数组时除外），但具有数据类型，x.dtype['field-name']并且仅包含指定字段中的部分数据。还 记录阵列标量可以被“索引”这种方式。

也可以使用字段名称列表（例如） 对结构化数组进行索引 x[['field-name1','field-name2']]。从NumPy 1.16开始，它将返回仅包含这些字段的视图。在旧版本的numpy中，它返回了一个副本。有关多字段索引的更多信息，请参见结构化数组的用户指南部分。

如果访问的字段是子数组，则子数组的尺寸将附加到结果的形状上。

>>> x = np.zeros((2,2), dtype=[('a', np.int32), ('b', np.float64, (3,3))])
>>> x['a'].shape
(2, 2)
>>> x['a'].dtype
dtype('int32')
>>> x['b'].shape
(2, 2, 3, 3)
>>> x['b'].dtype
dtype('float64')

平面迭代器索引¶

x.flat返回一个迭代器，该迭代器将遍历整个数组（C连续样式，最后一个索引变化最快）。只要选择对象不是元组，也可以使用基本切片或高级索引来索引此迭代器对象。从x.flat一维视图这一事实应该很清楚。它可用于带有一维C风格扁平索引的整数索引。因此，任何返回的数组的形状都是整数索引对象的形状。