NumPy数组切片

NumPy数组切片

NumPy 的 ​​切片（Slicing）​ ​操作允许高效地访问和操作数组的子集，其语法与 Python 列表类似但更强大，支持​ ​多维切片​ ​和​ ​视图机制​​（非副本）。以下是核心用法详解：

一、基础切片语法​​

切片语法为 start:stop:step，对每个维度独立生效。
​​规则​​：

• start：起始索引（包含）
• stop：结束索引（不包含）
• step：步长（默认1）

​二、一维数组切片​

import numpy as np

arr = np.array([0, 1, 2, 3, 4, 5])

# 获取索引2到4（不包含4）的元素
print(arr[2:4])        # 输出: [2 3]

# 前三个元素
print(arr[:3])         # 输出: [0 1 2]

# 每隔一个元素取一次
print(arr[::2])        # 输出: [0 2 4]

# 反转数组
print(arr[::-1])       # 输出: [5 4 3 2 1 0]

三、多维数组切片​​

每个维度用逗号分隔，支持独立切片规则。

​​二维数组示例​

matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])

# 获取前两行的第2、3列
print(matrix[:2, 1:3])
# 输出:
# [[2 3]
#  [5 6]]

# 所有行的第1列
print(matrix[:, 0])    # 输出: [1 4 7]

# 每隔一行、逆序列
print(matrix[::2, ::-1])
# 输出:
# [[3 2 1]
#  [9 8 7]]

​三维数组示例

cube = np.array([[[1, 2], [3, 4]],
                 [[5, 6], [7, 8]]])

# 第二个二维块的第一行、所有列
print(cube[1, 0, :])   # 输出: [5 6]

四、高级切片技巧​​

1. ​​省略号（…）自动补全维度

rnd = np.random.default_rng(1800)
arr_4d = rnd.integers(10, size=(2, 3, 4, 5))
arr_4d

# 获取第一个3D块的前两行、所有列
arr_4d[0, :2, :, :]

2. 布尔掩码切片

data = np.array([5, 12, 8, 3])
mask = data > 6
print(data[mask])   # 输出: [12 8]

3. 整数数组索引（Fancy Indexing）

print(matrix[[0, 2], [1, 0]])  # 输出: [2 7] → 取(0,1)和(2,0)位置元素

五、视图 vs 副本​​​

• ​视图（View）​​：切片操作默认返回​​原数组数据的引用​​，修改切片会影响原数组

sub_matrix = matrix[:2, :2]
sub_matrix[0,0] = 100
print(matrix[0,0])  # 输出: 100 → 原数组被修改

• 副本（Copy）​​：显式调用 .copy() 创建独立副本

sub_copy = matrix[:2, :2].copy()
sub_copy[0,0] = 200
print(matrix[0,0])  # 仍为100 → 原数组不变

六、注意事项​

• 1. ​内存布局​​： 切片视图的内存与原数组连续，可能影响计算效率
• 2. 负步长​​： 当 step < 0 时，start 应大于 stop
• 3. 维度保留​​： 使用 np.newaxis 可增加维度（如将向量转为矩阵）

七、总结​