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

1. NumPy之四：高级索引和索引技巧

2. numpy 数组索引

3. TutorialsPoint NumPy 教程

2018.5.14