python 中裁切的意思是将元素从一个给定的索引带到另一个给定的索引。
我们像这样传递切片而不是索引：[start：end]。
我们还可以定义步长，如下所示：[start：end：step]。
如果我们不传递 start，则将其视为 0。
如果我们不传递 end，则视为该维度内数组的长度。
如果我们不传递 step，则视为 1。
下面来看一个具体的操作实例
>>> import numpy as np >>> arr = np.array([1, 2, 3, 4, 5, 6, 7]) >>> print(arr[1:5]) # 裁切索引 1 到索引 5 的元素 [2 3 4 5] >>> print(arr[4:]) # 裁切数组中索引 4 到结尾的元素 [5 6 7] >>> print(arr[:4]) # 裁切从开头到索引 4（不包括）的元素 [1 2 3 4]
使用减号运算符从末尾开始引用索引：
从末尾开始的索引 3 到末尾开始的索引 1，对数组进行裁切：
>>> import numpy as np >>> arr = np.array([1, 2, 3, 4, 5, 6, 7]) >>> print(arr[-3:-1]) [5 6]
使用 step 值确定裁切的步长
>>> import numpy as np >>> arr = np.array([1, 2, 3, 4, 5, 6, 7]) >>> print(arr[1:5:2]) # 从索引 1 到索引 5，返回相隔的元素 [2 4] >>> print(arr[::2])# 返回数组中相隔的元素 [1 3 5 7]
从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片：
>>> import numpy as np >>> arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]) >>> print(arr[1, 1:4]) # 从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片 [7 8 9] >>> print(arr[0:2, 2]) # 从两个元素中返回索引 2 [3 8] >>> print(arr[0:2, 1:4]) # 从两个元素裁切索引 1 到索引 4（不包括），这将返回一个 2-D 数组 [[2 3 4] [7 8 9]]
NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。
以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。
>>> import numpy as np >>> x = np.array([[1, 2], [3, 4], [5, 6]]) >>> y = x[[0,1,2], [0,1,0]] >>> print (y) [1 4 5]
以下实例获取了 4X3 数组中的四个角的元素。 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。
>>> import numpy as np >>> x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) >>> print (x) [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] >>> rows = np.array([[0,0],[3,3]]) >>> cols = np.array([[0,2],[0,2]]) >>> y = x[rows,cols] >>> print (y) [[ 0 2] [ 9 11]]
返回的结果是包含每个角元素的 ndarray 对象。
可以借助切片 : 或 … 与索引数组组合。如下面实例：
>>> import numpy as np >>> a = np.array([[1,2,3], [4,5,6],[7,8,9]]) >>> b = a[1:3, 1:3] >>> c = a[1:3,[1,2]] >>> d = a[...,1:] >>> print(b) [[5 6] [8 9]] >>> print(c) [[5 6] [8 9]] >>> print(d) [[2 3] [5 6] [8 9]]
我们可以通过一个布尔数组来索引目标数组。
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
以下实例获取大于 5 的元素：
>>> import numpy as np >>> x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) >>> print (x) [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] >>> print (x[x > 5]) # 现在我们会打印出大于 5 的元素 [ 6 7 8 9 10 11]
以下实例使用了 ~（取补运算符）来过滤 NaN。
>>> import numpy as np >>> a = np.array([np.nan, 1,2,np.nan,3,4,5]) >>> print (a[~np.isnan(a)]) [ 1. 2. 3. 4. 5.]
以下实例演示如何从数组中过滤掉非复数元素。
>>> import numpy as np >>> a = np.array([1, 2+6j, 5, 3.5+5j]) >>> print (a[np.iscomplex(a)]) [2.0+6.j 3.5+5.j]
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。
>>> import numpy as np >>> x=np.arange(32).reshape((8,4)) >>> print (x[[4,2,1,7]]) # 传入顺序索引数组 [[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]] >>> print (x[[-4,-2,-1,-7]]) # 传入倒序索引数组 [[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]] >>> print (x[np.ix_([1,5,7,2],[0,3,1,2])]) # 传入多个索引数组（要使用np.ix_） [[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]]