对于一维数组，和Python列表一样进行索引、切片和迭代。
>>> a = np.arange(10)**3 >>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2] = -1000 # 首先按步长区间切片，然后将每个元素设置为-1000 >>> a array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729]) >>> a[ : :-1] # 反转a array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000]) >>> for i in a: ... print(i) -1000 1 -1000 27 -1000 125 216 343 512 729
Numpy的切片操作，默认是修改原数组的，而不是原生Python那样，以复制为主。
对于多维数组，每个轴都有一个索引index，并以逗号分隔，其索引和切片的方式要多多练习，加深理解：
>>> b=np.array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3] # 第3行第4列的元素，注意索引从0开始计数
23
>>> b[2][3]
23
>>> b[0:5, 1] # 第二列中的每一行，注意区间的左闭合右开的特性
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] # 相当于上面的例子
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] # 每一列的，第二行和第三行的元素
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
>>> b[-1] #当给与的参数少于轴数时，其它的轴被认为是全选，比如这里获得最后一行，等同于b[-1,:]
array([40, 41, 42, 43])
在上面的最后例子中，省略了列的索引。有时候，它们会被写作这样的格式x[i,...]。三个连续的圆点，代表其它未给出的所有轴的索引。例如假设有数组x，它有5个轴，那么：
x[1,2,...]相当于x[1,2,:,:,:]x[...,3]相当于x[:,:,:,:,3]x[4,...,5,:]相当于x[4,:,:,5,:]参考下面的例子：
>>> c = np.array( [[[ 0, 1, 2],
... [ 10, 12, 13]],
... [[100,101,102],
... [110,112,113]]])
>>> c.shape
(2, 2, 3)
>>> c[1,...] # 等同于c[1,:,:] or c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] # 等同于c[:,:,2]
array([[ 2, 13],
[102, 113]])
这是偷懒的做法，不建议大家使用，省不了多少事，但带来的理解困难却很多。
对于多维数组的迭代其实就是对它的第一轴进行迭代，从下例子中可以看出，每个被打印的对象都是原来的一行：
>>> for row in b: ... print(row) ... [0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]
如果想对多维数组进行类似Python列表的那样迭代，可以使用数组的flat属性，如下例所示：
>>> for element in b.flat: ... print(element) ... 0 1 2 3 10 11 12 ...
更多内容请了解：Indexing, newaxis, ndenumerate, indices