一维数组类似MATLAB，多维数组写法不同。numpy起始值为0。
起始行LMATLAB 叫第一行，numpy叫第零行。
slice[start : stop : step]
1. 对一维数组切片或索引
核心：操作类似list（），或者MATLAB的一维数组写法
输入
import numpy as np
a = np.arange(10)
print('a is:\n',a)
# 索引
b = a[0]
print('b is:\n',b)
# 切片
c = a[0:7:2]
d = a[5:]
print('c is:\n',c)
print('d is:\n',d)
输出
a is:
[0 1 2 3 4 5 6 7 8 9]
b is:
0
c is:
[0 2 4 6]
d is:
[5 6 7 8 9]
2. 对多维数组切片或索引
索引：
注意MATLAB是一个个点坐标，numpy是同维度的坐标写在一个括号里。
例如三维空间数组里有四个点：
(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),(x4,y4,z4)
MATLAB写法
[ (x1,y1,z1) , (x2,y2,z2) , (x3,y3,z3) , (x4,y4,z4) ]
numpy写法
[(x1,x2,x3,x4) , (y1,y2,y3,y4) , (z1,z2,z3,z4)]
延伸抽象出numpy的写法，每个括号里类似一维操作。
[（针对x轴的一维操作），（针对y轴的一维操作），（针对z轴的一维操作）]
2.1 二维数组例子
格式: 数组名[行操作，列操作]
两个占位符：
... 维度占位符，对行或列全选/不操作
: 某个维度内元素占位符，对前/后的元素进行全选，参考切片的slice[start:stop:step]
切片可视化：
slice-2.png
>>> y = np.arange(35).reshape(5,7)
[[ 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 32 33 34]]
>>> y[1:5:2,::3]
array([[ 7, 10, 13],
[21, 24, 27]])
# Python3.6 IN
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
print('x is :\n',x)
y = x[[0,1,2], [0,1,0]]
print('x is :\n',y)
# Python3.6 OUT
x is :
[[1 2]
[3 4]
[5 6]]
x is :
[1 4 5]
3. 布尔索引
其实有点像运算，或者设置过滤布尔类型的过滤条件。
# Python3.6 IN
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print('x is :\n',x)
b = x[x > 5]
print('b is :\n',b)
# Python3.6 OUT
x is :
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
b is :
[ 6 7 8 9 10 11]
参考资料
NumPy之四：高级索引和索引技巧
numpy 数组索引
TutorialsPoint NumPy 教程
2018.5.14