当前位置:

首页 > 编程开发 > Python numpy索引与切片完整代码示例

Python numpy索引与切片完整代码示例

NumPy的索引与切片功能强大,涵盖基本索引、切片、花式索引、布尔索引及np.where等工具。切片返回视图,修改会改变原数组;花式索引与布尔索引返回副本。多条件筛选需用括号与&、|运算符。np.take与np.put实现按索引取值与设值,np.select与np.clip处理多条件与裁剪。

本文目录

    NumPy 的索引能力远不是 Python 列表能比的——基本索引、切片、花式索引、布尔索引,一套组合拳下来,数据操作变得异常灵活。下面从头梳理这些技巧,代码即学即用。

    基本索引与切片

    一维数组

    import numpy as np
    
    arr = np.array([10, 20, 30, 40, 50, 60])
    
    # 基本索引
    print(arr[0])        # 10
    print(arr[-1])       # 60(倒数第一)
    print(arr[-2])       # 50
    
    # 切片(返回视图,非副本!)
    print(arr[1:4])      # [20 30 40]
    print(arr[:3])       # [10 20 30](前 3 个)
    print(arr[3:])       # [40 50 60](从第 3 个到最后)
    print(arr[::2])      # [10 30 50](步长 2)
    print(arr[::-1])     # [60 50 40 30 20 10](反转)
    
    # 切片赋值(会修改原数组!)
    arr[1:4] = 99
    print(arr)           # [10 99 99 99 50 60]
    

    二维数组

    mat = np.arange(12).reshape(3, 4)
    print(mat)
    # [[ 0  1  2  3]
    #  [ 4  5  6  7]
    #  [ 8  9 10 11]]
    
    # 单个元素
    print(mat[0, 0])     # 0
    print(mat[2, -1])    # 11
    
    # 整行 / 整列
    print(mat[1])        # [4 5 6 7](第 1 行)
    print(mat[1, :])     # 同上
    print(mat[:, 2])     # [ 2  6 10](第 2 列)
    
    # 子矩阵(切片)
    print(mat[0:2, 1:3])
    # [[1 2]
    #  [5 6]]
    
    # 步长切片
    print(mat[::2, ::2])  # 每隔一行、每隔一列
    # [[ 0  2]
    #  [ 8 10]]
    
    # 行 + 列混合
    print(mat[0, :2])     # [0 1](第 0 行前 2 列)
    print(mat[:2, -1])    # [3 7](前 2 行最后 1 列)
    

    三维及以上

    tensor = np.arange(24).reshape(2, 3, 4)
    # shape: (2, 3, 4) — 2 个矩阵,每个 3×4
    
    print(tensor[0])           # 第一个 3×4 矩阵
    print(tensor[0, 1])        # 第一个矩阵的第 1 行 → (4,)
    print(tensor[0, 1, 2])    # 标量 → 6
    print(tensor[:, 0, :])     # 每个矩阵的第 0 行 → (2, 4)
    print(tensor[:, :, ::2])   # 每矩阵每隔一列 → (2, 3, 2)
    

    ...(Ellipsis)省略号

    arr = np.arange(120).reshape(2, 3, 4, 5)
    
    # 等价写法
    print(arr[0, :, :, :])     # 完整写法
    print(arr[0, ...])          # 用 ... 代替中间的 :
    print(arr[..., 2])          # 最后一个维度的第 2 索引 → (2, 3, 4)
    print(arr[0, ..., :3])      # 第一个块,最后维取前 3 → (3, 4, 3)
    

    花式索引(Fancy Indexing)

    用整数数组来索引,返回副本(非视图)。这点和切片完全不同,后面会对比。

    一维花式索引

    arr = np.array([10, 20, 30, 40, 50])
    
    # 用列表指定索引
    print(arr[[0, 2, 4]])         # [10 30 50]
    
    # 可以用任意整数数组
    indices = np.array([4, 1, 1, 3])
    print(arr[indices])           # [50 20 20 40]
    
    # 可以任意顺序、重复
    print(arr[[4, 4, 4, 0, 0]])  # [50 50 50 10 10]
    

    二维花式索引

    mat = np.arange(12).reshape(3, 4)
    
    # 指定行索引
    print(mat[[0, 2]])             # 第 0 行和第 2 行
    # [[ 0  1  2  3]
    #  [ 8  9 10 11]]
    
    # 指定行 + 列索引
    print(mat[[0, 2, 1], [0, 3, 1]])  # 取 (0,0), (2,3), (1,1) → [0 11 5]
    
    # ix_: 取行和列的笛卡尔积(子矩阵)
    print(mat[np.ix_([0, 2], [1, 3])])
    # [[ 1  3]
    #  [ 9 11]]
    # ix_ 等价于 mat[[0,2]][:, [1,3]]
    

    花式索引 vs 切片

    mat = np.arange(12).reshape(3, 4)
    
    # 切片返回视图
    view = mat[:2, :2]
    view[0, 0] = 99
    print(mat[0, 0])  # 99 ← 原数组被修改了!
    
    # 花式索引返回副本
    copy = mat[[0, 1]][:, [0, 1]]
    copy[0, 0] = 999
    print(mat[0, 0])  # 99 ← 原数组未修改
    

    布尔索引

    arr = np.array([15, 3, 8, 22, 1, 9, 13])
    
    # 条件直接筛选
    print(arr[arr > 10])         # [15 22 13]
    
    # 多条件(用 & | ~,必须加括号!)
    print(arr[(arr > 5) & (arr < 20)])  # [15 8 9 13]
    print(arr[(arr < 5) | (arr > 20)])  # [3 22 1]
    print(arr[~(arr > 10)])             # [3 8 1 9]
    
    # ⚠️ 常见错误:用 and/or 或不加括号
    # arr[arr > 5 and arr < 20]    ← 报错!
    # arr[arr > 5 & arr < 20]       ← 结果错误(& 优先级高)!
    # arr[(arr > 5) & (arr < 20)]   ← 正确!
    

    二维布尔索引

    mat = np.arange(12).reshape(3, 4)
    
    # 按条件筛选行
    print(mat[mat[:, 0] > 3])     # 第 0 列 >3 的行
    # [[ 4  5  6  7]
    #  [ 8  9 10 11]]
    
    # 整体条件
    mask = mat > 5
    print(mat[mask])               # [6 7 8 9 10 11](返回一维数组)
    

    布尔掩码赋值

    arr = np.array([15, 3, 8, 22, 1, 9, 13])
    
    arr[arr > 10] = 0             # 所有 >10 的变 0
    print(arr)                     # [0 3 8 0 1 9 0]
    
    arr[arr < 5] = -1             # 所有 <5 的变 -1
    print(arr)                     # [-1 -1 8 0 -1 9 -1]
    

    np.where()——条件索引三剑客

    条件替换(三元运算)

    arr = np.array([15, 3, 8, 22, 1, 9, 13])
    
    # where(条件, True时的值, False时的值)
    result = np.where(arr > 10, 1, 0)
    print(result)  # [1 0 0 1 0 0 1]
    
    result = np.where(arr > 10, arr, -arr)
    print(result)  # [ 1 -3 -8  1 -1 -9  1]
    

    条件查找(返回索引)

    arr = np.array([15, 3, 8, 22, 1, 9, 13])
    
    # 找到满足条件的索引
    indices = np.where(arr > 10)
    print(indices)          # (array([0, 3, 6]),)  ← 返回元组!
    print(indices[0])       # [0 3 6](一维时)
    print(arr[indices])     # [15 22 13]
    
    # 二维
    mat = np.arange(12).reshape(3, 4)
    rows, cols = np.where(mat > 5)
    print(rows)  # [1 1 2 2 2 2] — 行索引
    print(cols)  # [2 3 0 1 2 3] — 列索引
    print(mat[rows, cols])  # [6 7 8 9 10 11] — 值
    

    多条件组合

    # np.where 也可以处理多条件
    arr = np.arange(10)
    result = np.where((arr > 3) & (arr < 8), arr * 10, arr)
    print(result)  # [0 1 2 3 40 50 60 70 8 9]
    

    np.argwhere()——获取非零/True 索引

    arr = np.array([0, 5, 0, 3, 0, 8, 0])
    print(np.argwhere(arr > 0))
    # [[1]
    #  [3]
    #  [5]]
    
    # 和 where 的区别:argwhere 返回 (N, ndim) 数组,where 返回元组
    

    np.take()/np.put()——按索引取值/设值

    arr = np.array([10, 20, 30, 40, 50])
    
    # take: 按索引取值
    print(arr.take([0, 2, 4]))       # [10 30 50]
    print(np.take(arr, [4, 3, 3]))   # [50 40 40]
    
    # 二维按轴取
    mat = np.arange(12).reshape(3, 4)
    print(np.take(mat, [0, 2], axis=0))   # 取第 0、2 行
    print(np.take(mat, [0, 2], axis=1))   # 取第 0、2 列
    
    # put: 按索引设值(原地修改)
    arr = np.array([10, 20, 30, 40, 50])
    np.put(arr, [0, 2], [99, 88])
    print(arr)  # [99 20 88 40 50]
    

    np.select()/np.clip()——多条件/裁剪

    # select: 多条件多选择
    arr = np.array([15, 3, 8, 22, 1, 9, 13])
    
    conditions = [arr < 5, arr > 15, True]  # True = 兜底
    choices = [-1, 1, 0]
    
    result = np.select(conditions, choices)
    print(result)  # [0 -1 0 1 -1 0 0]
    
    # clip: 限制在范围内
    print(np.clip(arr, 5, 15))   # [15 5 8 15 5 9 13]
    print(arr.clip(5, 15))       # 同上(方法形式)
    

    多维索引技巧

    按行列号取值

    mat = np.arange(12).reshape(3, 4)
    
    # 提取对角线
    print(np.diag(mat))            # [0 5 10]
    print(np.diag(mat, k=1))       # [1 6 11](上对角线)
    
    # 提取上三角 / 下三角
    print(np.triu(mat))            # 上三角(含对角线)
    print(np.tril(mat, k=-1))      # 下三角(不含对角线)
    
    # 索引数组组合
    row_indices = np.array([0, 1, 2])
    col_indices = np.array([3, 2, 1])
    print(mat[row_indices, col_indices])  # [3 6 9] — 取 (0,3),(1,2),(2,1)
    

    按轴索引(take_along_axis)

    mat = np.arange(12).reshape(3, 4)
    # 取每行最大值的索引对应的列
    col_idx = mat.argmax(axis=1)           # [3 3 3]
    result = np.take_along_axis(mat, col_idx[:, None], axis=1)
    print(result)  # [[3] [7] [11]]
    

    速查表

    需求代码
    单个元素arr[0, 1] / arr[-1]
    整行/列arr[1, :] / arr[:, 2]
    子矩阵arr[0:2, 1:3]
    步长切片arr[::2, ::3]
    反转arr[::-1]
    省略号arr[0, ..., :3]
    花式行索引arr[[0, 2, 4]]
    笛卡尔积索引arr[np.ix_([0,2], [1,3])]
    布尔筛选arr[arr > 10]
    多条件arr[(a>3) & (a<10)]
    条件替换np.where(arr > 0, 1, -1)
    条件查找np.where(arr > 0)
    列表取值np.take(arr, [0, 2])
    多条件选择np.select(conds, choices)
    裁剪np.clip(arr, lo, hi)

    [[numpy-总览|← 返回总览]]

    总结

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。