这篇文章主要讲解了“NumPy下的索引与切片的用法”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“NumPy下的索引与切片的用法”吧！
前言
索引和切片是NumPy中最重要最常用的操作。熟练使用NumPy切片操作是数据处理和机器学习的前提，所以一定要掌握好。
参考NumPy官方文档，总结NumPy索引和切片，可以看到它们相比Python更加方便、简介和强大。
索引和切片
您可以使用与切片 Python列表相同的方法，对NumPy数组进行索引和切片。
>>> data = np.array([1, 2, 3])>>> data[1]2>>> data[0:2]array([1, 2])>>> data[1:]array([2, 3])>>> data[-2:]array([2, 3])你可以这样想象：
您可能需要获取数组的一部分或特定数组元素，以便在进一步分析或其他操作中使用。为此，需要对数组进行子集、切片和/或索引。
如果您想从数组中选择满足特定条件的值，那么NumPy很简单。
例如，如果从这个数组开始：
>>> a = np.array([[1 , 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])可以轻松打印数组中小于5的所有值。
>>> print(a[a < 5])[1 2 3 4]例如，还可以选择等于或大于5的数字，并使用该条件对数组进行索引。
>>> five_up = (a >= 5)>>> print(a[five_up])[ 5 6 7 8 9 10 11 12]可以选择可被2整除的元素：
>>> divisible_by_2 = a[a%2==0]>>> print(divisible_by_2)[ 2 4 6 8 10 12]或者可以使用&和|运算符选择满足两个条件的元素：
>>> c = a[(a > 2) & (a < 11)]>>> print(c)[ 3 4 5 6 7 8 9 10]还可以使用逻辑运算符&和 |返回布尔值，指定数组中的值是否满足特定条件。这对于包含名称或其他分类值的数组很有用。
>>> five_up = (a > 5) | (a == 5)>>> print(five_up)[[False False False False] [ True True True True] [ True True True True]]还可以使用np.nonzero()从数组中选择元素或索引。
从这个数组开始：
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])可以使用np.nonzero()打印元素的索引，例如，小于5：
>>> b = np.nonzero(a < 5)>>> print(b)(array([0, 0, 0, 0]), array([0, 1, 2, 3]))在本例中，返回了一个数组元组：每个维度一个。第一个数组表示找到这些值的行索引，第二个数组表示找到这些值的列索引。
如果要生成元素所在的坐标列表，可以压缩数组，遍历坐标列表，然后打印它们。例如：
>>> list_of_coordinates= list(zip(b[0], b[1]))>>> for coord in list_of_coordinates:... print(coord)(0, 0)(0, 1)(0, 2)(0, 3)还可以使用np.nonzero()打印数组中小于5的元素，并使用：
>>> print(a[b])[1 2 3 4]如果要查找的元素在数组中不存在，则返回的索引数组将为空。例如：
>>> not_there = np.nonzero(a == 42)>>> print(not_there)(array([], dtype=int64), array([], dtype=int64))感谢各位的阅读，以上就是“NumPy下的索引与切片的用法”的内容了，经过本文的学习后，相信大家对NumPy下的索引与切片的用法这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！
