当选择对象 obj 是非元组序列对象、ndarray（数据类型为整型或布尔型）或至少具有一个序列对象或 ndarray（数据类型为整型或布尔型）的元组时，会触发高级索引。 高级索引始终返回数据的副本（与返回视图的基本切片相反）。 高级索引有两种类型：整数和布尔。
整数数组索引
整数数组索引允许根据 N 维索引选择数组中的任意项目。 每个整数数组代表该维度的多个索引。 当索引由与被索引数组的维数一样多的整数数组组成时，索引是直接的。
示例 1:
在下面的示例中，从每一行，一个选择特定元素。行索引为[0, 1, 2]，列索引为[0, 1, 0]。使用两个索引从给定数组中选择元素。选择包括数组中 (0,0)、(1,1) 和 (2,0) 处的元素。
import numpy as np
#创建数组
x = np.array([[1, 2], [3, 4], [5, 6]])
#使用先进的索引技术
#对数组进行切片
y = x[[0, 1, 2], [0, 1, 0]]
#打印数组
print("x 包含:")
print(x)
print("\ny 包含:")
print(y) 上述代码的输出将是:
x 包含:
[[1 2]
[3 4]
[5 6]]
y 包含:
[1 4 5] 示例 2:
在下面的示例中，选择了位于 4x3 数组角点的元素。要使用高级索引，需要显式选择所有元素。因此，选择的行索引将为 [0, 0] 和 [3,3]，而列索引将为 [0,2] 和 [0,2]。
import numpy as np
#创建数组
x = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
#使用先进的索引技术对数组进行切片
rows = np.array([[0, 0], [3, 3]])
columns = np.array([[0, 2], [0, 2]])
y = x[rows, columns]
print("x 包含:")
print(x)
print("\ny 包含:")
print(y) 上面的代码将是:
x 包含:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
y 包含:
[[ 0 2]
[ 9 11]] 可以通过在索引数组中使用 slice :、省略号 ... 或 numpy.newaxis 来组合高级索引和基本索引。
示例 3:
在下面的示例中，切片用于行，高级索引用于列。 当切片同时用于两者时，结果是相同的。 但高级索引会导致复制，并且可能具有不同的内存布局。
import numpy as np
#创建数组
x = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
#using slice 用于行和列的高级索引
y = x[1:4, [1,2]]
#在两个地方都使用切片
z = x[1:4, 1:3]
print("x 包含:")
print(x)
print("\ny 包含:")
print(y)
print("\nz 包含:")
print(z) 上述代码的输出将是:
x 包含:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
y 包含:
[[ 4 5]
[ 7 8]
[10 11]]
z 包含:
[[ 4 5]
[ 7 8]
[10 11]] 布尔数组索引
此高级索引当结果对象是比较运算符等布尔运算的结果时，使用索引。
示例 1:
在下面的示例中，返回大于 25 的元素作为布尔数组索引的结果。
import numpy as np
#创建数组
x = np.array([[10, 15, 20],
[25, 30, 35],
[40, 45, 50]])
#使用高级布尔索引
#数组切片技术
y = x[x > 25]
#打印数组
print("x 包含:")
print(x)
print("\ny 包含:")
print(y) 上述代码的输出将是:
x 包含:
[[10 15 20]
[25 30 35]
[40 45 50]]
y 包含:
[30 35 40 45 50] 示例 2:
同样，此技术可用于从数组中删除所有 NaN（非数字）。考虑下面的示例:
import numpy as np
#创建数组
x = np.array([[10, 15, np.nan],
[np.nan, 30, 35],
[40, np.nan, 50]])
#使用高级布尔索引
#数组切片技术
y = x[~np.isnan(x)]
#打印数组
print("x 包含:")
print(x)
print("\ny 包含:")
print(y) 上述代码的输出将是:
x 包含:
[[10. 15. nan]
[nan 30. 35.]
[40. nan 50.]]
y 包含:
[10. 15. 30. 35. 40. 50.] 示例 3:
同样，它可用于从数组中过滤掉非复数。考虑下面的示例:
import numpy as np
#创建数组
x = np.array([[10, 15+1j, 20],
[25+2j, 30, 35],
[40, 45, 50+3j]])
#使用高级布尔索引
#数组切片技术
y = x[np.iscomplex(x)]
#打印数组
print("y 包含:")
print(y) 上述代码的输出将是:
y 包含:
[15.+1.j 25.+2.j 50.+3.j]