1.numpy数组的特点在于，大小相等的数组之间，任何算数运算都会将运算应用到元素级。
请看下面的例子：
[python] view plain copy
arr = np.array([[1.,2.,3.],[4.,5.,6.]])
arr
输出：
array([[ 1., 2., 3.], [ 4., 5., 6.]])
[python] view plain copy
arr * arr
输出：
array([[ 1., 4., 9.], [ 16., 25., 36.]])
[python] view plain copy
arr - arr
输出：
array([[ 0., 0., 0.], [ 0., 0., 0.]])
[python] view plain copy
1 / arr
输出：
array([[ 1. , 0.5 , 0.33333333], [ 0.25 , 0.2 , 0.16666667]])
[python] view plain copy
arr ** 0.5
输出：
array([[ 1. , 1.41421356, 1.73205081], [ 2. , 2.23606798, 2.44948974]])
2.数据索引：Python是从0的位置开始
[python] view plain copy
arr = np.arange(10)
arr
输出：
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
[python] view plain copy
arr[5]
输出：
5
[python] view plain copy
arr[5:8]
输出：
array([5, 6, 7])
3.索引位置可以用来更改数组值：
[python] view plain copy
arr[5:8] = 12
输出：
array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
4.从上面可以看出，跟列表最重要的区别是，数组切片是原始数组的视图。这意味着数据不会被复制，任何修改都会直接反映到源数组上：
[python] view plain copy
arr_slice = arr[5:8]
arr_slice[1] = 12345
[python] view plain copy
arr
输出：
array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8, 9])
[python] view plain copy
arr_slice[:] = 64
输出：
array([ 0, 1, 2, 3, 4, 64, 64, 64, 8, 9])
5.如果你不要改变原始数组，需要复制一份，可以这样操作：
[python] view plain copy
arr_copy = arr[5:8].copy()
6.对于高维数组，索引位置上的元素不再是标量而是低一维的数组，比如：
[python] view plain copy
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
[python] view plain copy
arr2d[2]
输出：
array([7, 8, 9])
7.对于高维数组，索引元素需要进行递归访问，可以传入一个以逗号隔开的索引列表来获取单个元素。
[python] view plain copy
arr2d[0][2]
输出：
3
[python] view plain copy
arr2d[0,2]
输出：
3以上两种方法是等价的。
8.二维数组还比较容易理解，下面看一个三维数组的例子：
[python] view plain copy
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d
输出：
array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])
这是一个(2×2×3)的数组，可以通过运行arr3d.shape进行验证。
[python] view plain copy
arr3d[0]
输出：
array([[1, 2, 3], [4, 5, 6]])
[python] view plain copy
old_values = arr3d[0].copy()
arr3d[0]= 42
arr3d
输出：
array([[[42, 42, 42], [42, 42, 42]], [[ 7, 8, 9], [10, 11, 12]]])
[python] view plain copy
arr3d[0]= old_values
arr3d
输出：
array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])
[python] view plain copy
arr3d[1,0]
输出：
array([7, 8, 9])
9.再看几个二维数组的索引例子，用刚才创建的那个arr2d数组，注意索引位置包括开头但不包括结尾，比如[0:2]是索引1、2位置，但没有3。
[python] view plain copy
arr2d
输出：
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
[python] view plain copy
arr2d[:2]
输出：
array([[1, 2, 3], [4, 5, 6]])
注意没有第三个元素，也就是arr2d[2]
[python] view plain copy
arr2d[:2,1:]
输出：
array([[2, 3], [5, 6]])
[python] view plain copy
arr2d[1,:2]
输出：array([4, 5]
[python] view plain copy
arr2d[2,:1]
输出：
array([7])
[python] view plain copy
arr2d[:,:1]
输出：
array([[1], [4], [7]])
[python] view plain copy
arr2d[:2,1:] = 0
arr2d
输出：
array([[1, 0, 0], [4, 0, 0], [7, 8, 9]])
可以借助下图来理解：
[python] view plain copy
names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])
names
输出：
array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='<U4')
生产一组随机数组
[python] view plain copy
import numpy.random
data = numpy.random.randn(7,4)
data
输出：
array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [ 1.10877471, 0.04496048, 0.99851866, -0.65930485], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-0.30217902, 1.20441035, -0.88069583, -0.31243213], [-1.47970158, 0.08452533, -1.56347609, 1.88383865], [ 0.45802479, 0.84710767, -1.87281658, 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, -0.06899717]])
判断，产生一个布尔型数组
[python] view plain copy
names == 'Bob'
输出：
array([ True, False, False, True, False, False, False], dtype=bool)
这个布尔型数组可以用于数组索引[python] view plain copy
data[names == 'Bob']
输出：array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [-0.30217902, 1.20441035, -0.88069583, -0.31243213]])
可以将布尔型数组跟切片、整数混合使用
[python] view plain copy
data[names == 'Bob',2:]
输出：
array([[ 1.17834132, -0.21712539], [-0.88069583, -0.31243213]])
[python] view plain copy
data[names == 'Bob',3]
输出：
array([-0.21712539, -0.31243213])
也可以用不等号（！=）进行或者符号（-）对条件进行否定索引
[python] view plain copy
names != 'Bob'
输出：
array([False, True, True, False, True, True, True], dtype=bool)
[python] view plain copy
data[-(names == 'Bob')]
输出：
array([[ 1.10877471, 0.04496048, 0.99851866, -0.65930485], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-1.47970158, 0.08452533, -1.56347609, 1.88383865], [ 0.45802479, 0.84710767, -1.87281658, 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, -0.06899717]])
11.也可以使用多个布尔型条件进行索引，这在实际操作中十分常见
[python] view plain copy
mask = (names == 'Bob')|(names == 'Will')
mask
输出：
array([ True, False, True, True, True, False, False], dtype=bool)
[python] view plain copy
data[mask]
输出：
array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-0.30217902, 1.20441035, -0.88069583, -0.31243213], [-1.47970158, 0.08452533, -1.56347609, 1.88383865]])
把小于0的数都变为0
[python] view plain copy
data[data < 0] = 0
data
输出：
array([[ 0.98990731, 0. , 1.17834132, 0. ], [ 1.10877471, 0.04496048, 0.99851866, 0. ], [ 0.20479382, 0. , 0. , 1.43864803], [ 0. , 1.20441035, 0. , 0. ], [ 0. , 0.08452533, 0. , 1.88383865], [ 0.45802479, 0.84710767, 0. , 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, 0. ]])
[python] view plain copy
data[names != 'Joe'] = 7
data
输出：
array([[ 7. , 7. , 7. , 7. ], [ 1.10877471, 0.04496048, 0.99851866, 0. ], [ 7. , 7. , 7. , 7. ], [ 7. , 7. , 7. , 7. ], [ 7. , 7. , 7. , 7. ], [ 0.45802479, 0.84710767, 0. , 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, 0. ]])
11.花式索引：
花式索引（Fancy indexing）是一个Numpy术语，它指的是利用整数数组进行索引。
先建立一个8×4的empty数组
[python] view plain copy
arr = np.empty((8,4))
arr
输出：
array([[ 2.27764263e-321, 0.00000000e+000, 3.65717707e-316, 0.00000000e+000], [ 0.00000000e+000, 2.50223420e-315, 0.00000000e+000, 4.42980404e-316], [ 0.00000000e+000, 3.61995693e-316, 2.50223420e-315, 4.43565180e-316], [ 2.50097935e-315, 4.59507256e-316, 0.00000000e+000, 0.00000000e+000], [ 0.00000000e+000, 0.00000000e+000, 4.42208160e-316, 0.00000000e+000], [ 3.65629171e-316, 1.98465379e-317, 2.50224669e-315, 2.63675246e-316], [ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000, 0.00000000e+000], [ 2.50224384e-315, 0.00000000e+000, 0.00000000e+000, 4.59490260e-316]])
给其赋值
[python] view plain copy
for i in range(8):
arr[i] = i
arr
输出：
array([[ 0., 0., 0., 0.], [ 1., 1., 1., 1.], [ 2., 2., 2., 2.], [ 3., 3., 3., 3.], [ 4., 4., 4., 4.], [ 5., 5., 5., 5.], [ 6., 6., 6., 6.], [ 7., 7., 7., 7.]])
以特定的顺序选取行子集，只需传入一个用于指定顺序的整数列表或ndarray：
[python] view plain copy
arr[[4,3,0,6]]
输出：
array([[ 4., 4., 4., 4.], [ 3., 3., 3., 3.], [ 0., 0., 0., 0.], [ 6., 6., 6., 6.]])
使用负数索引会从末尾开始：
[python] view plain copy
arr[[-3,-5,-7]]
输出：
array([[ 5., 5., 5., 5.], [ 3., 3., 3., 3.], [ 1., 1., 1., 1.]])
使用reshape函数改变行列数
[python] view plain copy
arr = np.arange(32).reshape((8,4))
arr
输出：
array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23], [24, 25, 26, 27], [28, 29, 30, 31]])
[python] view plain copy
arr[[1,5,7,2],[0,3,1,2]]
输出：
array([ 4, 23, 29, 10])
可以看出，最终选出的元素是（1,0）、（5,3）、（7,1）、（2,2）
[python] view plain copy
arr[[1,5,7,2]][:,[0,3,1,2]]
输出：
array([[ 4, 7, 5, 6], [20, 23, 21, 22], [28, 31, 29, 30], [ 8, 11, 9, 10]])
另外一个办法是使用np.ix_函数，它可以将两个一维整数数组转换为一个用于选取方形区域的索引器：
[python] view plain copy
arr[np.ix_([1,5,7,2],[0,3,1,2])]
输出：
array([[ 4, 7, 5, 6], [20, 23, 21, 22], [28, 31, 29, 30], [ 8, 11, 9, 10]])
注意：花式索引跟切片不一样，它总是将数据复制到新数组中。
