### Numpy 高级索引概述 Numpy 提供了多种高级索引机制，使用户能够以更加灵活和高效的方式访问和操作数组中的数据[^3]。这些机制不仅限于简单的单元素或连续片段的选择，还包括通过整数列表、布尔掩码甚至其他数组来进行复杂的数据选取。 #### 整数数组索引 整数数组索引允许使用一个或多个由整数值组成的数组作为下标来获取目标位置上的元素。这种方式特别适用于非连续或多维情况下的精确取值需求。例如： ```python import numpy as np arr = np.arange(12).reshape((3, 4)) row_indices = [0, 2] col_indices = [1, 3] result = arr[row_indices][:, col_indices] print(result) ``` 这段代码创建了一个形状为 (3, 4) 的二维数组 `arr` 和两个分别表示行号与列号的一维数组 `row_indices`, `col_indices`. 接着利用这两个索引来提取指定行列交叉处的子矩阵并打印出来[^5]. #### 布尔索引 布尔索引则是基于条件表达式的真伪结果来决定哪些元素应该被选中。对于给定的一个相同大小的布尔型数组来说，只有那些对应位上为 True 的地方才会返回其原始值；其余则会被忽略掉。下面的例子展示了如何筛选出所有大于等于平均值得到新向量: ```python data = np.random.rand(10) mask = data >= data.mean() filtered_data = data[mask] print(filtered_data) ``` 这里先生成了一组随机浮点数存放在变量 `data` 中; 然后构建了一个名为 `mask` 的布尔数组用来标记满足不小于均值这一标准的位置; 最终依据此掩模从原集合里挑出了符合条件成员形成新的序列 `filtered_data`. #### 花式索引 花式索引是一种更为通用的形式，它可以接受任何形式的对象——只要能转换成有效的numpy数组即可。这种灵活性意味着几乎任何复杂的查询模式都可以实现。考虑这样一个场景：我们有一个三维立方体状结构存储图像像素强度信息，并希望从中抽取某些特定层面上的信息点构成一个新的平面视图. ```python cube = np.random.randint(low=0, high=256, size=(8, 8, 8)) layer_selector = [2, 4, 6] # 指定要查看哪几层 coordinate_x = [1, 3, 5] # X坐标范围内的兴趣点 coordinate_y = [2, 4, 6] # Y坐标范围内感兴趣点 view = cube[layer_selector][..., coordinate_x, :][:, :, coordinate_y] print(view.shape) # 输出最终得到的新视角尺寸 ``` 上述脚本定义了一个边长均为8单位长度的空间网格 `cube`; 后面三行分别是三个方向上的采样指示器. 经过一系列切片运算之后获得了预期的结果集 `view`, 它代表了选定层面内所关心区域形成的投影图形.