人工智能之数据分析 numpy：第五章 索引与切片
原创
人工智能之数据分析 numpy：第五章 索引与切片
原创
咚咚王
发布于 2025-11-23 17:23:38
发布于 2025-11-23 17:23:38
人工智能之数据分析 numpy
第五章 索引与切片
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 |
|
越界错误 | 索引超出范围会报 |
负步长切片 |
|
混合索引 |
|
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 |
| 视图 | 是 |
花式索引 |
| 副本 | 否 |
布尔索引 |
| 副本 | 否 |
多维混合 |
| 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
《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》
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
