Numpy高级索引
Numpy比Python提供更多的索引方式，有助于我们提取数据，这里说一下整数数组索引，布尔索引和花式索引。
整数数组索引：
例1：
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print (y)
读一下代码，然后我们看输出结果：取得的是（0，0），（1，1）和（2，0）的位置的元素。
x[[0,1,2],[0.1.0]]获取方式是：第一个列表[0,1,2]表示行索引，第二个列表[0,1,0]表示列索引。
所以选取的第一个元素是（0，0）位置处的元素，第二元素是（1，1）位置处的元素，第三个元素是（2，0）位置处的元素。
运行结果：
[1 4 5]
例2：
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print ('我们的数组是：' )
print (x)
print ('\n')
rows = np.array([[0,0],[3,3]]) #这里是希望获取的数据生成二维数组
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print ('这个数组的四个角元素是：')
print (y)
这里是一个4*3的二维数组，行索引是[0,0]和[3,3],列索引是[0,2]和[0,2]
这里将行索引和列索引分开是为了使输出的结果也是多维的，因为要输出四个角的元素，所以这里生成二维数组。
如果写成 rows = np.array([0,0,3,3]) cols = np.array([0,2,0,2])获得的数组是一维的。
运行结果：
我们的数组是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
这个数组的四个角元素是：
[[ 0 2]
[ 9 11]]
例3：
import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[:,1:]
print(b)
print(c)
print(d)
这里是将切片与索引结合，这里注意：切片包含开始不包含结尾！！！！
运行结果：
[[5 6]
[8 9]]
[[4 6]
[7 9]]
[[2 3]
[5 6]
[8 9]]
布尔索引：
例1：
import numpy as np
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print('我们的数组是：')
print(x)
print('\n')
# 现在我们会打印出大于 5 的元素
b = x>5
print("布尔数组为：\n",b)
print('大于 5 的元素是：')
print(x[b])
运行结果：
我们的数组是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
布尔数组为：
[[False False False]
[False False False]
[ True True True]
[ True True True]]
大于 5 的元素是：
[ 6 7 8 9 10 11]
这里我们通过布尔运算（如比较运算符）生成一个布尔数组，然后选取符合条件的元素。
布尔数组和原素组元素一一对应，true就会显示，false不会显示。
例2：
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a)
print (a[~np.isnan(a)])
输出结果：
[nan 1. 2. nan 3. 4. 5.]
[1. 2. 3. 4. 5.]
这里我们可以看出在数组中有NaN，这里我们用到了~（取补运算符）过滤NaN。先判断是否是NaN,返回布尔类型，再取补。
例3：
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print(a[np.iscomplex(a)])
print(a[~np.iscomplex(a)])
运行结果：
[2. +6.j 3.5+5.j]
[1.+0.j 5.+0.j]
这里我们将数组中的非负数过滤掉，同样如果要过滤复数需要使用取补运算符，但是这里也会吧实数变成带虚部的形式。
花式索引
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。
例1：
import numpy as np
x=np.arange(32).reshape((8,4))
print (x)
print (x[[4,2,1,7]])
同样这里是先行索引，再列索引，这里只有一个列表，所以表示的是行索引。选取数组的角标为4，2，1，7的整行元素。
运行结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
同时这里也可以使用倒序索引数组。注意的是倒序索引时倒数“-1”表示倒数第一行而不是“0”！
import numpy as np
x=np.arange(32).reshape((8,4))
print (x)
print (x[[-4,-2,-1,-7]])
运行结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[16 17 18 19]
[24 25 26 27]
[28 29 30 31]
[ 4 5 6 7]]
例2：
当我们需要取得具体一个或者几个元素时我们可以使用np.ix_
import numpy as np
x=np.arange(32).reshape((8,4))
print (x)
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
这里行索引的每一个元素和列索引的每一个元素都要匹配一次，如行索引第一个元素“1”分别对应列索引的每一个元素，索引取得的数组为[[1,0],[1,3],[1,1],[1,2]]这样的顺序。
同时如果要取某一个特定的元素也可以这样获取。
运行结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]