pin_drop当前位置:知识文库 ❯ 图文
NumPy数组索引全面指南 - 布尔索引与花式索引
一、概述
NumPy数组索引是访问和修改数组元素的基本方式。NumPy支持多种索引方式：基本索引（整数索引）、负数索引、多维索引、布尔索引和花式索引。掌握这些索引方式是高效操作NumPy数组的关键。
二、索引语法
一维索引
代码示例
arr[index]
arr[-index]多维索引
代码示例
arr[row, col]
arr[row][col]布尔索引
代码示例
arr[condition]花式索引
代码示例
arr[[idx1, idx2, idx3]]三、索引方式说明
四、代码示例
示例1：一维数组索引
代码示例
import numpy as np
arr = np.array([10, 20, 30, 40, 50])
# 正向索引
print(f"arr[0] = {arr[0]}")
print(f"arr[2] = {arr[2]}")
print(f"arr[4] = {arr[4]}")
# 负向索引
print(f"arr[-1] = {arr[-1]}")
print(f"arr[-2] = {arr[-2]}")
# 修改元素
arr[1] = 99
print(f"修改后: {arr}")输出：
代码示例
arr[0] = 10
arr[2] = 30
arr[4] = 50
arr[-1] = 50
arr[-2] = 40
修改后: [10 99 30 40 50]示例2：二维数组索引
代码示例
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 访问单个元素
print(f"arr[0, 0] = {arr[0, 0]}")
print(f"arr[1, 2] = {arr[1, 2]}")
print(f"arr[-1, -1] = {arr[-1, -1]}")
# 访问整行
print(f"arr[0] = {arr[0]}")
print(f"arr[-1] = {arr[-1]}")
# 两种等价写法
print(f"arr[1][2] = {arr[1][2]}")
print(f"arr[1, 2] = {arr[1, 2]}")
# 修改元素
arr[0, 0] = 100
print(f"修改后:\n{arr}")输出：
代码示例
arr[0, 0] = 1
arr[1, 2] = 6
arr[-1, -1] = 9
arr[0] = [1 2 3]
arr[-1] = [7 8 9]
arr[1][2] = 6
arr[1, 2] = 6
修改后:
[[100 2 3]
[ 4 5 6]
[ 7 8 9]]提示：
arr[i, j]比arr[i][j]更高效，因为前者是一次索引操作，后者是两次索引操作。
示例3：布尔索引与花式索引
代码示例
import numpy as np
arr = np.array([10, 20, 30, 40, 50, 60, 70, 80])
# 布尔索引：筛选大于40的元素
mask = arr > 40
print(f"大于40的元素: {arr[mask]}")
# 组合条件
mask2 = (arr >= 30) & (arr <= 60)
print(f"30到60之间: {arr[mask2]}")
# 花式索引：按索引列表访问
indices = [0, 2, 5, 7]
print(f"指定索引元素: {arr[indices]}")
# 花式索引二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
rows = [0, 2]
cols = [1, 2]
print(f"指定行列: {arr2d[rows, cols]}")
# 使用np.where
indices_where = np.where(arr > 40)
print(f"大于40的索引: {indices_where[0]}")输出：
代码示例
大于40的元素: [50 60 70 80]
30到60之间: [30 40 50 60]
指定索引元素: [10 30 60 80]
指定行列: [2 9]
大于40的索引: [4 5 6 7]五、实际应用场景
-
数据清洗：使用布尔索引筛选出异常值（如大于3倍标准差的数据）
-
图像处理：通过多维索引访问特定像素点的RGB值
-
数据分析：使用花式索引提取特定行的数据
六、注意事项
注意：NumPy索引从0开始，负数索引从-1开始，与Python列表一致。
注意：布尔索引中的组合条件必须使用
&（与）、|（或），不能用and/or，且条件需加括号。
注意：花式索引返回的是副本而非视图，修改花式索引结果不会影响原数组。
七、索引方式对比
八、小结
-
基本索引：用整数访问元素，负数索引从末尾计数
-
多维索引：用逗号分隔各维度索引，arr[i,j]比arr[i][j]更高效
-
布尔索引：按条件筛选元素，组合条件用&和|并加括号
-
花式索引：按索引列表访问，返回副本而非视图
小贴士
np.where()函数非常实用，它返回满足条件的元素的索引（而非元素本身），可以与其他索引方式结合使用。例如np.where(arr > 0)返回所有正数的位置索引。此外，np.nonzero()与np.where()在单条件情况下功能相同。更多高级索引技巧可以参考NumPy索引文档。
九、练习题
练习1
创建一个5×5的二维数组（1到25），使用索引访问第3行第4列的元素。
练习2
创建一个包含1到20的数组，使用布尔索引筛选出所有偶数。
练习3
创建一个4×4的二维数组，使用花式索引提取对角线元素。
常见问题
为什么布尔索引不能使用and和or？
Python的and和or关键字是针对单个布尔值设计的，无法处理数组级别的逐元素运算。NumPy使用&（按位与）和|（按位或）运算符，它们可以对布尔数组进行逐元素操作。因此组合条件必须写成(arr > 1) & (arr < 10)，每个条件都要加括号。
花式索引返回副本有什么影响？
花式索引返回的是数据的副本，修改花式索引的结果不会影响原数组。这与切片不同（切片返回视图，修改会影响原数组）。如果需要通过花式索引修改原数组，应该直接在原数组上操作：arr[indices] = new_values。
arr[rows, cols]中的rows和cols如何配对？
当使用arr[rows, cols]进行花式索引时，rows和cols中的元素会一一配对。例如rows=[0,2], cols=[1,2]会选取(0,1)和(2,2)两个位置的元素，结果是[arr[0,1], arr[2,2]]。如果想选取rows和cols的笛卡尔积（所有组合），需要使用np.ix_()函数。
如何在多维数组中使用布尔索引？
在多维数组上使用布尔索引时，条件数组的形状必须与目标数组一致或可广播。例如arr2d[arr2d > 5]会返回所有大于5的元素，结果是一维数组。也可以在不同维度上分别使用布尔索引，但要注意广播规则。
本文涉及AI创作
内容由AI创作，请仔细甄别
