pqxin6emf/Part1/Chapter2/2.2 NumPy进阶/2.2.2 花式索引与布尔索引.md

2.2.2：花式索引与布尔索引

花式索引

花式索引(Fancy Indexing)是 NumPy 用来描述使用整型数组（这里的数组，可以是 NumPy 的 ndarray ，也可以是 python 的 list）作为索引。

Fancy Indexing 的意义是根据索引数组的值作为被索引数组( ndarray )的某个轴的下标来取值。对于使用一维整型数组作为索引来说，如果被索引数组( ndarray )是一维数组，那么索引的结果就是对应位置的元素；如果被索引数组( ndarray )是二维数组，那么就是对应下标的行。如下图所示：

示例代码如下：

import numpy as np

arr = np.array(['zero','one','two','three','four'])

'''
打印arr中索引为1和4的元素
结果为：['one', 'four']
'''
print(arr[[1,4]])

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

'''
打印arr中索引为1和0的行
结果为：[[4, 5, 6],
		[1, 2, 3]]
'''
print(arr[[1, 0]])

'''
打印arr中第2行第1列与第3行第2列的元素
结果为：[4, 8]
'''
print(arr[[1, 2], [0, 1]])

输出如下：

['one' 'four']
[[4 5 6]
 [1 2 3]]
[4 8]

布尔索引

我们可以通过一个布尔数组来索引目标数组，以此找出与布尔数组中值为 True 的对应的目标数组中的数据，从而达到筛选出想要的数据的功能。如下图所示：(PS：需要注意的是，布尔数组的长度必须与被索引数组对应的轴的长度一致)

不过单纯的传入布尔数组进去有点蠢，有没有更加优雅的方式来使用布尔索引来达到筛选数据的效果呢？当然有！我们可以想办法根据我们的需求，构造出布尔数组，然后再通过布尔索引实现筛选数据的功能。

假设有公司员工绩效指数的数据如下(用一个一维的 ndarray 表示)，现在想要把绩效指数大于 3.5 的筛选出来进行股权激励。

那首先就要构造出布尔数组，构造布尔数组很简单，performance > 3.5即可。此时会生成想要的布尔数组。

有了布尔数组就可以使用布尔索引来实现筛选数据的功能了。

示例代码如下：

import numpy as np

performance = np.array([3.25, 3.5, 3.75, 3.5, 3.25, 3.75])

'''
筛选出绩效高于3.5的数据
结果为:[3.75, 3.75]
'''
print(performance[performance > 3.5])

'''
筛选出绩效高于3.25并且低于4的数据
注意：&表示并且的意思，可以看成是and。&左右两边必须加上()
结果为:[3.5  3.75 3.5  3.75]
'''
print(performance[(performance > 3.25) & (performance < 4)])

输出如下：

[3.75 3.75]
[3.5  3.75 3.5  3.75]