高级索引

当选择对象obj是非元组序列对象，ndarray（数据类型为整数或bool）或具有至少一个序列对象或ndarray（数据类型为integer或bool）的元组时，将触发高级索引。高级索引有两种类型：整数和布尔值。

高级索引始终返回数据的副本（与返回视图的基本切片形成对比）。

警告

高级索引的定义意味着x[(1,2,3),]根本不同于x[(1,2,3)]。后者相当于x[1,2,3]触发基本选择，而前者将触发高级索引。一定要明白为什么会这样。

同时认识到x[[1,2,3]]将触发高级索引，而由于上面提到的不推荐的数字兼容性， x[[1,2,slice(None)]]将触发基本切片。

整数数组索引

整数数组索引允许根据数组的N维索引选择数组中的任意项。每个整数数组表示该维度的许多索引。

纯整数数组索引

当索引包含尽可能多的整数数组时，索引的数组具有维度，索引是直接的，但与切片不同。

高级索引始终作为一个广播和迭代：

result[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M],

                          ..., ind_N[i_1, ..., i_M]]

请注意，结果形状与（广播）索引数组形状相同。ind_1, ..., ind_N

例

从每一行开始，应选择一个特定元素。行索引是just ，列索引指定要为相应行选择的元素。将两者结合使用可以使用高级索引解决任务：0, 1, 2

>>>
>>> x = np.array([[1, 2], [3, 4], [5, 6]])
>>> x[[0, 1, 2], [0, 1, 0]]
array([1, 4, 5])

为了实现类似于上面的基本切片的行为，可以使用广播。该功能ix_可以帮助这种广播。通过示例可以最好地理解这一点。

例

从4x3阵列中，应使用高级索引选择角元素。因此，列是其中之一的所有元素和行是需要选择的行。要使用高级索引，需要明确选择所有元素。使用前面解释的方法可以写：0, 2

>>>
>>> x = array([[ 0,  1,  2],
...            [ 3,  4,  5],
...            [ 6,  7,  8],
...            [ 9, 10, 11]])
>>> rows = np.array([[0, 0],
...                  [3, 3]], dtype=np.intp)
>>> columns = np.array([[0, 2],
...                     [0, 2]], dtype=np.intp)
>>> x[rows, columns]
array([[ 0,  2],
       [ 9, 11]])

但是，由于上面的索引数组只是重复自身，因此可以使用广播（比较诸如此类的操作 ）来简化：rows[:, np.newaxis] + columns

>>>
>>> rows = np.array([0, 3], dtype=np.intp)
>>> columns = np.array([0, 2], dtype=np.intp)
>>> rows[:, np.newaxis]
array([[0],
       [3]])
>>> x[rows[:, np.newaxis], columns]
array([[ 0,  2],
       [ 9, 11]])

这种广播也可以使用以下功能实现ix_：

>>>
>>> x[np.ix_(rows, columns)]
array([[ 0,  2],
       [ 9, 11]])

请注意，如果没有np.ix_调用，只会选择对角线元素，如上例所示。对于使用多个高级索引进行索引，这个差异是最重要的。

结合高级索引和基本索引

当至少有一个slice（:），省略号（...）或newaxis 索引（或者数组的维度多于高级索引）时，行为可能会更复杂。这就像连接每个高级索引元素的索引结果一样

在最简单的情况下，只有一个单一的指标先进。单个高级索引可以例如替换切片，并且结果数组将是相同的，但是，它是副本并且可以具有不同的存储器布局。当可能时，切片是优选的。