第四章：ndarray 的索引、切片和迭代

第四章：ndarray 的索引、切片和迭代

第四章：ndarray 的索引、切片和迭代

NumPy的核心是ndarray（n-dimensional array），一个高效的多维数组对象。访问和操作ndarray中的元素是数据处理的关键。本章将深入探讨ndarray的索引、切片和迭代，这些是NumPy中进行数据选择和处理的基础。

1. 索引 (Indexing)

索引允许你访问ndarray中的单个元素。NumPy的索引从0开始，与Python列表类似。

1.1 一维数组的索引

对于一维数组，索引非常直接：

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr[0])  # 输出：1
print(arr[3])  # 输出：4
print(arr[-1]) # 输出：5 （负索引，从末尾开始计数）
​

1.2 多维数组的索引

多维数组的索引使用逗号分隔的索引元组。每个索引对应于数组的一个维度。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 0])  # 输出：1 (第一行，第一列)
print(arr[1, 2])  # 输出：6 (第二行，第三列)
print(arr[0])    # 输出：[1 2 3] (第一行)
​

图示：多维数组索引

1.3 布尔索引

布尔索引允许你根据条件选择数组中的元素。你需要创建一个与原数组形状相同的布尔数组，其中True表示选择该位置的元素，False表示不选择。

arr = np.array([1, 2, 3, 4, 5])
bool_arr = arr > 2
print(bool_arr)  # 输出：[False False  True  True  True]
print(arr[bool_arr]) # 输出：[3 4 5]
print(arr[arr > 2])  # 输出：[3 4 5] (更简洁的写法)
​

1.4 花式索引 (Fancy Indexing)

花式索引允许你使用整数数组作为索引来选择ndarray中的元素。这可以实现更灵活的元素选择。

arr = np.array([10, 20, 30, 40, 50])
index_arr = np.array([0, 2, 4])
print(arr[index_arr])  # 输出：[10 30 50]
​

对于多维数组，花式索引可以更复杂：

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
row_indices = np.array([0, 2])
col_indices = np.array([1, 2])
print(arr[row_indices, col_indices])  # 输出：[2 9] (选取 (0,1) 和 (2,2) 位置的元素)
​

需要注意的是，arr[row_indices, col_indices] 选取的是 (0,1) 和 (2,2) 这两个位置的元素，而不是选取第0行和第2行，以及第1列和第2列的交叉部分。 如果需要选取交叉部分，可以使用 np.ix_ 函数。

print(arr[np.ix_(row_indices, col_indices)])
# 输出：
# [[2 3]
#  [8 9]]
​

2. 切片 (Slicing)

切片允许你选择ndarray中的一个连续区域。切片使用start:stop:step语法，类似于Python列表的切片。

2.1 一维数组的切片

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr[1:5])    # 输出：[2 3 4 5] (从索引1开始，到索引5之前结束)
print(arr[:3])     # 输出：[1 2 3] (从索引0开始，到索引3之前结束)
print(arr[3:])     # 输出：[4 5 6] (从索引3开始，到数组末尾)
print(arr[::2])    # 输出：[1 3 5] (从索引0开始，每隔一个元素)
print(arr[::-1])   # 输出：[6 5 4 3 2 1] (反转数组)
​

2.2 多维数组的切片

多维数组的切片在每个维度上使用切片语法。

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[:2, 1:])  # 输出：[[2 3] [5 6]] (选取前两行，从第二列开始的所有列)
print(arr[1:, :2])  # 输出：[[4 5] [7 8]] (选取从第二行开始的所有行，前两列)
print(arr[:, 0])   # 输出：[1 4 7] (选取所有行的第一列)
​

图示：多维数组切片

2.3 切片的修改

需要特别注意的是，NumPy的切片是视图（view），而不是副本（copy）。这意味着修改切片会影响原始数组。

arr = np.array([1, 2, 3, 4, 5])
slice_arr = arr[1:4]
slice_arr[:] = 0  # 修改切片的所有元素
print(slice_arr) # 输出：[0 0 0]
print(arr)      # 输出：[1 0 0 0 5] (原始数组也被修改了)
​

如果需要创建切片的副本，可以使用.copy()方法：

arr = np.array([1, 2, 3, 4, 5])
slice_arr = arr[1:4].copy()
slice_arr[:] = 0
print(slice_arr) # 输出：[0 0 0]
print(arr)      # 输出：[1 2 3 4 5] (原始数组未被修改)
​

3. 迭代 (Iteration)

迭代允许你遍历ndarray中的每个元素。NumPy提供了多种迭代方式。

3.1 一维数组的迭代

对于一维数组，迭代非常简单：

arr = np.array([1, 2, 3, 4, 5])
for element in arr:
    print(element)
​

3.2 多维数组的迭代

对于多维数组，默认情况下迭代会遍历第一个维度（通常是行）：

arr = np.array([[1, 2, 3], [4, 5, 6]])
for row in arr:
    print(row)
​

要遍历多维数组中的每个元素，可以使用flat属性或nditer对象。

3.3 使用 flat 属性迭代

flat属性返回一个迭代器，可以遍历数组中的每个元素，就像它是一个一维数组一样。

arr = np.array([[1, 2, 3], [4, 5, 6]])
for element in arr.flat:
    print(element)
​

3.4 使用 nditer 对象迭代

nditer对象是一个更灵活的迭代器，可以控制迭代的顺序和方式。

arr = np.array([[1, 2, 3], [4, 5, 6]])
for element in np.nditer(arr):
    print(element)
​

nditer对象还支持多种迭代选项，例如：

• order: 指定迭代顺序（'C'：行优先，'F'：列优先，'A'：自动，'K'：保持内存布局）。

• flags: 控制迭代行为（例如，'external_loop'将迭代器分成多个小块）。

• op_flags: 控制如何处理迭代的数组（例如，'readwrite'允许修改数组）。

arr = np.array([[1, 2], [3, 4]])
# 列优先迭代
for element in np.nditer(arr, order='F'):
    print(element)
# 修改数组的元素
for element in np.nditer(arr, op_flags=['readwrite']):
    element[...] = element * 2
print(arr) # 输出：[[2 4] [6 8]]
​

图示：ndarray 迭代

4. 总结

ndarray的索引、切片和迭代是NumPy中进行数据访问和操作的基本工具。理解这些概念对于高效地使用NumPy至关重要。

• 索引允许你访问ndarray中的单个元素。

• 切片允许你选择ndarray中的一个连续区域，并创建原始数组的视图。

• 迭代允许你遍历ndarray中的每个元素，flat 属性和 nditer 对象提供了灵活的迭代方式。

通过掌握这些技术，你可以更有效地处理和分析NumPy数组中的数据。