人工智能之数据分析 numpy

第五章 索引与切片

文章目录

• 人工智能之数据分析 numpy
• 前言
• 一、基本索引与切片（Basic Indexing and Slicing）
• 1. 一维数组
• 2. 多维数组（以二维为例）
• (1) 单个元素访问
• (2) 行/列切片
• (3) 使用省略号 `...`
• 二、高级索引（Advanced Indexing）
• 1. 整数数组索引（花式索引，Fancy Indexing）
• 2. 布尔索引（Boolean Indexing）
• 三、修改数组元素
• 1. 基本索引赋值（影响原数组）
• 2. 切片赋值
• 3. 布尔索引赋值
• 4. 花式索引赋值
• 四、特殊索引技巧
• 1. `np.newaxis` 或 `None`：增加维度
• 2. `np.where()`：条件索引
• 五、注意事项与常见陷阱
• 六、小结：索引方式对比
• 后续
• 资料关注

前言

在 NumPy 中，索引（indexing）与切片（slicing）是访问和操作

ndarray

本文将详细解析 NumPy 数组的索引与切片方法。

一、基本索引与切片（Basic Indexing and Slicing）

适用于整数、切片对象（

:

1. 一维数组

import numpy as np
a = np.array([10, 20, 30, 40, 50])
# 索引（从0开始）
print(a[0])    # 10
print(a[-1])   # 50（倒数第一个）
# 切片：start:stop:step
print(a[1:4])     # [20 30 40]（不包含索引4）
print(a[:3])      # [10 20 30]
print(a[::2])     # [10 30 50]（步长为2）
print(a[::-1])    # [50 40 30 20 10]（反转）
? 切片返回的是视图，修改会影响原数组：
b = a[1:3]
b[0] = 999
print(a)  # [10 999 30 40 50] ← 原数组被修改！

2. 多维数组（以二维为例）

(1) 单个元素访问

arr = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(arr[0, 1])   # 等价于 arr[0][1] → 2
print(arr[-1, -1]) # 9
推荐使用
arr[i, j]
而非
arr[i][j]
，前者更高效且支持高级功能。

(2) 行/列切片

print(arr[1, :])   # 第1行所有列 → [4 5 6]
print(arr[:, 2])   # 第2列所有行 → [3 6 9]
print(arr[0:2, 1:3])  # 前两行，第1~2列
# [[2 3]
#  [5 6]]

(3) 使用省略号

...

适用于高维数组，自动补全冒号：

# 三维数组
x = np.random.rand(2, 3, 4)
print(x[..., 0])   # 等价于 x[:, :, 0] → 取最后一维第0个

二、高级索引（Advanced Indexing）

当使用整数数组、布尔数组进行索引时，触发高级索引，返回副本（copy），而非视图。

1. 整数数组索引（花式索引，Fancy Indexing）

用整数列表或数组指定要取的索引位置。

arr = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 取第0行和第2行
print(arr[[0, 2]])
# [[1 2 3]
#  [7 8 9]]
# 同时指定行和列（一一对应）
print(arr[[0, 1, 2], [0, 1, 2]])  # → [1, 5, 9]（对角线）
# 等价于 [arr[0,0], arr[1,1], arr[2,2]]
# 取任意位置组合
rows = np.array([0, 2])
cols = np.array([2, 0])
print(arr[rows, cols])  # [3, 7]
?? 注意：
arr[[0,1],[0,1]]
 ≠ 
arr[0:2, 0:2]
前者是高级索引（取两个点），后者是基本切片（取子矩阵）。

2. 布尔索引（Boolean Indexing）

用布尔数组筛选满足条件的元素。

arr = np.array([10, 20, 30, 40, 50])
# 创建布尔掩码
mask = arr > 30
print(mask)        # [False False False True True]
print(arr[mask])   # [40 50]
# 直接在索引中写条件

print(arr[arr % 20 == 0]) # [20 40]

# 二维实例

matrix = np.array([[1, 2], [3, 4], [5, 6]])

print(matrix[matrix > 3]) # [4 5 6]

? 布尔索引通常应用于数据清理、条件赋值等场合。

三、修改数组元素

1. 基础索引赋值（影响原始数组）
   a = np.array([1, 2, 3])
a[0] = 99
print(a) # [99 2 3]
2. 切片赋值
   a[1:] = 0
print(a) # [99 0 0]
3. 布尔索引赋值
   b = np.array([1, 2, 3, 4, 5])
b[b > 3] = -1
print(b) # [1 2 3 -1 -1]
4. 花式索引赋值
   c = np.array([10, 20, 30, 40])
c[[0, 2]] = [99, 88]
print(c) # [99 20 88 40]

四、特殊索引技巧

1. np.newaxis

   
   或
   

   None

   
   ：扩展维度
   x = np.array([1, 2, 3])
print(x.shape) # (3,)
   y = x[:, np.newaxis] # 列向量
   print(y.shape) # (3, 1)
   

   # [[1]
   #  [2]
   #  [3]]
               

2. np.where()

   
   ：条件索引
   arr = np.array([1, 2, 3, 4, 5])
indices = np.where(arr > 3) # 返回符合条件的索引元组
   print(indices) # (array([3, 4]),)
   print(arr[indices]) # [4 5]
   # 也可用于三元选择
   result = np.where(arr > 3, arr, 0) # 符合条件保留，否则设为0
   # [0 0 0 4 5]

五、注意事项与常见陷阱

arr[0]

arr[0:1]

IndexError

a[::-1]

a[3:0:-1]

arr[1, [0,2]]

六、小结：索引方式对比

arr[1]

arr[1:3]

arr[[1,3]]

arr[arr>0]

arr[1, [0,2]]

掌握这些索引与切片技术，你将能够高效地提取、筛选和修改 NumPy 数组中的数据，为数据分析、图像处理、机器学习等任务奠定坚实的基础。

后续
部分代码已上传至gitee，后续会逐步更新，主要是由于时间限制，当然你也可以克隆到本地学习拓展。

资料关注
公众号：咚咚王
gitee：https://gitee.com/wy18585051844/ai_learning

• 《Python编程：从入门到实践》
• 《利用Python进行数据分析》
• 《算法导论中文第三版》
• 《概率论与数理统计（第四版） (盛骤) 》
• 《程序员的数学》
• 《线性代数应该这样学第3版》
• 《微积分和数学分析引论》
• 《（西瓜书）周志华-机器学习》
• 《TensorFlow机器学习实战指南》
• 《Sklearn与TensorFlow机器学习实用指南》
• 《模式识别（第四版）》
• 《深度学习 deep learning》伊恩·古德费洛著 花书
• 《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
• 《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
• 《自然语言处理综论 第2版》
• 《Natural-Language-Processing-with-PyTorch》
• 《计算机视觉-算法与应用(中文版)》
• 《Learning OpenCV 4》
• 《AIGC：智能创作时代》杜雨+&+张孜铭
• 《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
• 《从零构建大语言模型（中文版）》
• 《实战AI大模型》
• 《AI 3.0》