Python numpy索引与切片完整代码示例

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

[[numpy-总览|← 返回总览]]

总结