人工智能之数据分析 numpy：第五章 索引与切片

人工智能之数据分析 numpy

第五章 索引与切片

---

文章目录

• [人工智能之数据分析 numpy](#人工智能之数据分析 numpy)
• 前言
• [一、基本索引与切片（Basic Indexing and Slicing）](#一、基本索引与切片（Basic Indexing and Slicing）)
• • [1. 一维数组](#1. 一维数组)
  • [2. 多维数组（以二维为例）](#2. 多维数组（以二维为例）)
  • • [(1) 单个元素访问](#(1) 单个元素访问)
    • [(2) 行/列切片](#(2) 行/列切片)
    • [(3) 使用省略号 `...`](#(3) 使用省略号 ...)
• [二、高级索引（Advanced Indexing）](#二、高级索引（Advanced Indexing）)
• • [1. 整数数组索引（花式索引，Fancy Indexing）](#1. 整数数组索引（花式索引，Fancy Indexing）)
  • [2. 布尔索引（Boolean Indexing）](#2. 布尔索引（Boolean Indexing）)
• 三、修改数组元素
• • [1. 基本索引赋值（影响原数组）](#1. 基本索引赋值（影响原数组）)
  • [2. 切片赋值](#2. 切片赋值)
  • [3. 布尔索引赋值](#3. 布尔索引赋值)
  • [4. 花式索引赋值](#4. 花式索引赋值)
• 四、特殊索引技巧
• • [1. `np.newaxis` 或 `None`：增加维度](#1. np.newaxis 或 None：增加维度)
  • [2. `np.where()`：条件索引](#2. np.where()：条件索引)
• 五、注意事项与常见陷阱
• 六、小结：索引方式对比
• 后续
• 资料关注

---

前言

在 NumPy 中，索引（indexing）与切片（slicing） 是访问和操作 ndarray 元素的核心手段。相比 Python 原生列表，NumPy 提供了更强大、更灵活的多维索引机制，包括基本索引、高级索引、布尔索引、花式索引等。

本文详细讲解 NumPy 数组的索引与切片方法。

---

一、基本索引与切片（Basic Indexing and Slicing）

适用于整数、切片对象（:） ，返回的是原数组的视图（view）（不复制数据）。

1. 一维数组

import numpy as np
a = np.array([10, 20, 30, 40, 50])

# 索引（从0开始）
print(a[0])    # 10
print(a[-1])   # 50（倒数第一个）

# 切片：start:stop:step
print(a[1:4])     # [20 30 40]（不包含索引4）
print(a[:3])      # [10 20 30]
print(a[::2])     # [10 30 50]（步长为2）
print(a[::-1])    # [50 40 30 20 10]（反转）

✅ 切片返回的是视图，修改会影响原数组：

b = a[1:3]
b[0] = 999
print(a)  # [10 999 30 40 50] ← 原数组被修改！

---

2. 多维数组（以二维为例）

arr = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]])

(1) 单个元素访问

print(arr[0, 1])   # 等价于 arr[0][1] → 2
print(arr[-1, -1]) # 9

推荐使用 arr[i, j] 而非 arr[i][j]，前者更高效且支持高级功能。

(2) 行/列切片

print(arr[1, :])   # 第1行所有列 → [4 5 6]
print(arr[:, 2])   # 第2列所有行 → [3 6 9]
print(arr[0:2, 1:3])  # 前两行，第1~2列
# [[2 3]
#  [5 6]]

(3) 使用省略号 ...

适用于高维数组，自动补全冒号：

# 三维数组
x = np.random.rand(2, 3, 4)
print(x[..., 0])   # 等价于 x[:, :, 0] → 取最后一维第0个

---

二、高级索引（Advanced Indexing）

当使用整数数组、布尔数组 进行索引时，触发高级索引 ，返回副本（copy），而非视图。

1. 整数数组索引（花式索引，Fancy Indexing）

用整数列表或数组指定要取的索引位置。

arr = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]])

# 取第0行和第2行
print(arr[[0, 2]])  
# [[1 2 3]
#  [7 8 9]]

# 同时指定行和列（一一对应）
print(arr[[0, 1, 2], [0, 1, 2]])  # → [1, 5, 9]（对角线）
# 等价于 [arr[0,0], arr[1,1], arr[2,2]]

# 取任意位置组合
rows = np.array([0, 2])
cols = np.array([2, 0])
print(arr[rows, cols])  # [3, 7]

⚠️ 注意：arr[[0,1],[0,1]] ≠ arr[0:2, 0:2]

前者是高级索引（取两个点），后者是基本切片（取子矩阵）。

---

2. 布尔索引（Boolean Indexing）

用布尔数组筛选满足条件的元素。

arr = np.array([10, 20, 30, 40, 50])

# 创建布尔掩码
mask = arr > 30
print(mask)        # [False False False True True]
print(arr[mask])   # [40 50]

# 直接在索引中写条件
print(arr[arr % 20 == 0])  # [20 40]

# 二维示例
matrix = np.array([[1, 2], [3, 4], [5, 6]])
print(matrix[matrix > 3])  # [4 5 6]

✅ 布尔索引常用于数据清洗、条件赋值等场景。

---

三、修改数组元素

1. 基本索引赋值（影响原数组）

a = np.array([1, 2, 3])
a[0] = 99
print(a)  # [99 2 3]

2. 切片赋值

a[1:] = 0
print(a)  # [99 0 0]

3. 布尔索引赋值

b = np.array([1, 2, 3, 4, 5])
b[b > 3] = -1
print(b)  # [1 2 3 -1 -1]

4. 花式索引赋值

c = np.array([10, 20, 30, 40])
c[[0, 2]] = [99, 88]
print(c)  # [99 20 88 40]

---

四、特殊索引技巧

1. np.newaxis 或 None：增加维度

x = np.array([1, 2, 3])
print(x.shape)         # (3,)
y = x[:, np.newaxis]   # 列向量
print(y.shape)         # (3, 1)
# [[1]
#  [2]
#  [3]]

2. np.where()：条件索引

arr = np.array([1, 2, 3, 4, 5])
indices = np.where(arr > 3)  # 返回满足条件的索引元组
print(indices)   # (array([3, 4]),)
print(arr[indices])  # [4 5]

# 也可用于三元选择
result = np.where(arr > 3, arr, 0)  # 满足条件保留，否则设为0
# [0 0 0 4 5]

---

五、注意事项与常见陷阱

问题	说明
视图 vs 副本	基本切片返回视图；高级索引返回副本
维度丢失	arr[0] 对二维数组返回一维，若想保持二维用 arr[0:1]
越界错误	索引超出范围会报 IndexError
负步长切片	a[::-1] 安全，但 a[3:0:-1] 不包含索引0
混合索引	arr[1, [0,2]] 是合法的（基本+高级混合）

---

六、小结：索引方式对比

索引类型	示例	返回	是否修改原数组
基本索引	arr[1], arr[1:3]	视图	是
花式索引	arr[[1,3]]	副本	否
布尔索引	arr[arr>0]	副本	否
多维混合	arr[1, [0,2]]	副本	否

---

掌握这些索引与切片技巧，你就能高效地提取、筛选和修改 NumPy 数组中的数据，为数据分析、图像处理、机器学习等任务打下坚实基础。

后续

部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王

gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》