一维、二维、三维的数组如何索引？

• 直接进行索引,切片
• 对象[ : , : , : ] – 先行后列 (以逗号分开各个维度，第1组表示第1维的切片方式，第2组表示第2维的切片方式…)

一、基本索引及切片

1、一维数组索引及切片

import numpy as np

# 一维数组索引及切片
ar = np.arange(20)
print('ar = ', ar)
print('ar[4] = ', ar[4])
print('ar[3:6] = ', ar[3:6])

打印结果：

ar =  [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
ar[4] =  4
ar[3:6] =  [3 4 5]

2、二维数组索引及切片

# 二维数组索引及切片
ar = np.array([[0, 1, 2, 3],
               [4, 5, 6, 7],
               [8, 9, 10, 11],
               [12, 13, 14, 15]])
print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 4*4的数组
print('\nar[2] = {0}; ar[2]数组轴数 = {1}'.format(ar[2], ar[2].ndim))  # 切片为下一维度的一个元素，所以是一维数组
print('\nar[2][1] = {0}; ar[2][1]数组轴数 = {1}'.format(ar[2][1], ar[2][1].ndim))  # 二次索引，得到一维数组中的一个值
print('\nar[1:3] = {0}; ar[1:3]数组轴数 = {1}'.format(ar[1:3], ar[1:3].ndim))  # 切片为两个一维数组组成的二维数组
print('\nar[2, 2] = {0}; ar[2, 2]数组轴数 = {1}'.format(ar[2, 2], ar[2, 2].ndim))  # 切片数组中的第三行第三列 → 10
print('\nar[:2, 1:] = {0}; ar[:2, 1:]数组轴数 = {1}'.format(ar[:2, 1:], ar[:2, 1:].ndim))  # 切片数组中的1,2行、2,3,4列 → 二维数组

打印结果：

ar = [
	[ 0  1  2  3]
 	[ 4  5  6  7]
 	[ 8  9 10 11]
 	[12 13 14 15]]; ar数组轴数 = 2

ar[2] = [ 8  9 10 11]; ar[2]数组轴数 = 1

ar[2][1] = 9; ar[2][1]数组轴数 = 0

ar[1:3] = [[ 4  5  6  7]
 [ 8  9 10 11]]; ar[1:3]数组轴数 = 2

ar[2, 2] = 10; ar[2, 2]数组轴数 = 0

ar[:2, 1:] = [[1 2 3]
 [5 6 7]]; ar[:2, 1:]数组轴数 = 2

二维数组索引方式：

• 举例：获取第一个股票的前3个交易日的涨跌幅数据

# 二维的数组，两个维度 
stock_change[0, 0:3]

返回结果：

array([-0.03862668, -1.46128096, -0.75596237])

3、三维数组索引及切片

# **三维数组索引及切片
ar = np.array([[[0, 1],
                [2, 3]],
               [[4, 5],
                [6, 7]]])

print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 2*2*2的数组
print('ar[0] = {0}; ar[0]数组轴数 = {1}'.format(ar[0], ar[0].ndim))  # 三维数组的下一个维度的第一个元素 → 一个二维数组
print('ar[0][0] = {0}; ar[0][0]数组轴数 = {1}'.format(ar[0][0], ar[0][0].ndim))  # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
print('ar[0][0][1] = {0}; ar[0][0][1]数组轴数 = {1}'.format(ar[0][0][1], ar[0][0][1].ndim))

打印结果：

ar = [[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]; ar数组轴数 = 3
ar[0] = [[0 1]
 [2 3]]; ar[0]数组轴数 = 2
ar[0][0] = [0 1]; ar[0][0]数组轴数 = 1
ar[0][0][1] = 1; ar[0][0][1]数组轴数 = 0

• 三维数组索引方式：

# 三维
a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
# 返回结果
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[12,  3, 34],
        [ 5,  6,  7]]])
# 索引、切片
>>> a1[0, 0, 1]   # 输出: 2

二、布尔型索引及切片

import numpy as np

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

# 布尔型索引：以布尔型的矩阵去做筛选
i = np.array([True, False, True])
j = np.array([True, True, False, False])
print('ar = ', ar)
print('\ni = ', i)
print('\nj = ', j)
print('\nar[i, :] = ', ar[i, :])  # 在第一维度做判断，只保留True，这里第一维度就是行，ar[i,:] = ar[i]（简单书写格式）
print('\nar[:, j] = ', ar[:, j])  # 在第二维度做判断，这里如果ar[:,i]会有警告，因为i是3个元素，而ar在列上有4个
print('-' * 100)

m = ar > 5
print('m = ', m)  # 这里m是一个判断矩阵
print('\nar[m] = ', ar[m])  # 用m判断矩阵去筛选ar数组中>5的元素 → 重点！后面的pandas判断方式原理就来自此处

打印结果：

ar =  [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

i =  [ True False  True]

j =  [ True  True False False]

ar[i, :] =  [[ 0  1  2  3]
 [ 8  9 10 11]]

ar[:, j] =  [[0 1]
 [4 5]
 [8 9]]
----------------------------------------------------------------------------------------------------
m =  [[False False False False]
 [False False  True  True]
 [ True  True  True  True]]

ar[m] =  [ 6  7  8  9 10 11]

Process finished with exit code 0

三、数组索引及切片的值更改、复制

一个标量赋值给一个索引/切片时，会自动改变/传播原始数组

import numpy as np

# 一个标量赋值给一个索引/切片时，会自动改变/传播原始数组

ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print('ar = ', ar)

# 数组索引及切片的值更改、复制
ar[5] = 100
ar[7:9] = 200
print('ar = ', ar)
print('-' * 100)

# 复制
ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b = ar.copy()
b[7:9] = 200
print('ar = ', ar)
print('b = ', b)

打印结果：

ar =  [0 1 2 3 4 5 6 7 8 9]
ar =  [  0   1   2   3   4 100   6 200 200   9]
----------------------------------------------------------------------------------------------------
ar =  [0 1 2 3 4 5 6 7 8 9]
b =  [  0   1   2   3   4   5   6 200 200   9]

Process finished with exit code 0