數組索引是指在`numpy`數組中引用特定元素的方法。`numpy`的數組索引又稱為`fancy indexing`，比其他編程語言的索引強大很多。 # 1. 選取數據 numpy的索引除了像其他語言一樣選擇一個元素，還可以間隔著選取多個元素，也可以用任意的順序選取元素。 比如一維數組： ```py ...
數組索引是指在numpy數組中引用特定元素的方法。numpy的數組索引又稱為fancy indexing，比其他編程語言的索引強大很多。
1. 選取數據
numpy的索引除了像其他語言一樣選擇一個元素，還可以間隔著選取多個元素，也可以用任意的順序選取元素。
比如一維數組：
arr = np.random.randint(0, 10, 5)
print(arr)
#運行結果
[7 2 6 2 1]
indexes = [0, 2, 3]
print(arr[indexes])
#運行結果
[7 6 2]
indexes = [4, 0, 2]
print(arr[indexes])
#運行結果
[1 7 6]
從上面的示例看出，通過傳入 indexes 數組，可以一次選擇多個元素。indexes 數組中的值代表數組arr的下標，從0開始。
對於二維數組：
arr = np.random.randint(0, 10, (5,5))
print(arr)
#運行結果
[[5 7 3 3 2]
[2 5 6 3 6]
[4 1 1 0 1]
[6 5 8 9 1]
[2 6 5 2 0]]
rows = np.array([3, 1, 4])
cols = np.array([3, 0, 1])
print(arr[rows, cols])
#運行結果
[9 2 6]
這裡 rows 和 cols 分別代表行和列的索引，從0開始。
運行結果選取的是單個元素，分別是：arr[3, 3]，arr[1, 0]，arr[4, 1]。
如果要從二維數組中通過選取行列，而不是選取單個元素的話：
arr = np.random.randint(0, 10, (5,5))
print(arr)
#運行結果
[[4 2 6 6 4]
[1 8 8 1 9]
[5 9 2 1 3]
[8 9 1 6 9]
[5 4 3 5 6]]
rows = np.array([3, 1, 4])
cols = np.array([3, 0, 1])
arr[rows[:, np.newaxis], cols]
#運行結果
[[6 8 9]
[1 1 8]
[5 5 4]]
arr[rows[:, np.newaxis], cols] 是先選取3,1,4 行，得到：
[[8 9 1 6 9]
[1 8 8 1 9]
[5 4 3 5 6]]
然後選取3,0,1 列，得到：
[[6 8 9]
[1 1 8]
[5 5 4]]
2. 與切片結合
fancy indexing可以和之前數組的切片操作相結合：
arr = np.random.randint(0, 10, (5,5))
print(arr)
#運行結果
[[4 2 6 6 4]
[1 8 8 1 9]
[5 9 2 1 3]
[8 9 1 6 9]
[5 4 3 5 6]]
rows = np.array([3, 1, 4])
cols = np.array([3, 0, 1])
#切片在行上
print(arr[:2, cols])
#運行結果
[[6 4 2]
[1 1 8]]
#切片在列上
print(arr[rows, 1:])
#運行結果
[[9 1 6 9]
[8 8 1 9]
[4 3 5 6]]
arr[:2, cols] 先選擇前2行，然後按照 cols 順序選擇列。arr[rows, 1:] 按照 rows 順序選擇行，然後選擇後4列。
3. 與掩碼結合
fancy indexing也可以和之前介紹的掩碼相結合來過濾數組：
arr = np.random.randint(0, 10, (5,5))
print(arr)
#運行結果
[[4 2 6 6 4]
[1 8 8 1 9]
[5 9 2 1 3]
[8 9 1 6 9]
[5 4 3 5 6]]
rows = np.array([3, 1, 4])
mask = np.array([True, False, False, False, True])
print(arr[rows[:, np.newaxis], mask])
#運行結果
[[8 9]
[1 9]
[5 6]]
arr[rows[:, np.newaxis], mask] 先按照 rows 的順序選擇行，然後用mask過濾掉 False 的列。
最後剩下的是 3,1,4 行的 第一列和**最後一列**。
4. 修改數據
最後，fancy indexing還有個重要的作用是修改數據，我們通過fancy indexing選取數據之後，可以直接修改它們。
arr = np.random.randint(0, 10, (5,5))
print(arr)
#運行結果
[[6 4 7 8 1]
[0 3 5 0 6]
[8 9 4 7 0]
[3 0 0 9 1]
[4 5 5 0 5]]
rows = np.array([3, 1, 4])
cols = np.array([3, 0, 1])
arr[rows, cols] = [100] * len(arr[rows, cols])
print(arr)
#運行結果
[[ 6 4 7 8 1]
[100 3 5 0 6]
[ 8 9 4 7 0]
[ 3 0 0 100 1]
[ 4 100 5 0 5]]
上面的示例中，將fancy indexing選取出的值修改為100。
註意，[100] * len(arr[rows, cols]) 這個代碼是根據fancy indexing選取出的元素個數來決定將幾個值修改成100。
5. 總結回顧
numpy數組索引的意義在於它可以使數組中的數據更加靈活和易於管理。
通過使用索引，開發人員可以快速訪問數組中的特定元素，而不需要遍歷整個數組。
這可以大大加快計算速度和減少記憶體使用。
此外，數組索引還可以用於數組的重構和維護。
通過對數組索引的有效使用，開發人員可以輕鬆地修改和維護數組中的數據，而不會影響到其他使用該數組的程式。
