#二维数组的索引
arr = np.array([[2, 0, 0], [0, 3, 2], [1, 2, 1]])#注意，多维数组有两个方括号，与matlab不同。
print(arr[0])
print(arr[1,1])
print(arr[1][1])
#（1）注意numpy的ndarray数组类型与matlab矩阵类型的区别
# ndarray，若是高维数组，一般有两个方括号。用[]表示矩阵的每一行
# matlab的矩阵，则是用分号;将行与行的元素隔开
#（2）numpy的高维数组对行索引，只需输入一个参数。
#（3）numpy的高维数组对某个值索引，如上，有两种表示方法。
#二维数组的切片
print(arr)
print(arr[0])
print(arr[:2])#取前两行
print(arr[:2, 1:])#多组切片，取前两行与第一列后的交集
print(arr[1, :2])#第1行，第2列之前
print(arr[:2, 2])#第2行之前，第2列
print(arr[:, :1])#取第1列之前
#（1）行列，都是从0开始的。第0行……第0列……
#（2）：2，表示第2行/列之前。2：，表示第2行/列之后
#（3）将切片和索引结合，可以降低维度。
#（4）若对切片的表达式进行重新赋值，那么原数组的值也会改变。
输出结果：
[2 0 0]
[[2 0 0]
[0 3 2]
[1 2 1]]
[2 0 0]
[[2 0 0]
[0 3 2]]
[[0 0]
[3 2]]
[0 3]
[0 2]
import numpy as np#高维数组基础索引与切片：以二维数组为例#二维数组的索引arr = np.array([[2, 0, 0], [0, 3, 2], [1, 2, 1]])#注意，多维数组有两个方括号，与matlab不同。print(arr[0])print(arr[1,1])print(arr[1][1])#结论#（1）注意numpy的ndarray数组类型与matlab矩阵类型的区别# ndarray，若是高维数组，一般有两个方括号。用[]表示矩阵的每一行
Numpy 中多维数组的切片操作与 Python 中 list 的切片操作一样，同样由 start, stop, step 三个部分组成
import numpy as np
arr = np.arange(12)
print 'array is:', arr
slice_one = arr[:4]
print 'slice begins at 0 an
NumPy（NumericalPython的基础）是高性能科学计算和数据分析的基础包。其部分功能如下：1.ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。2.用于对数组数据进行快速运算的标准数学函数（无序编写循环）。3.用于读写磁盘数据的工具及其用于操作内存映射文件的工具。4.线性代数、随机数生成以及傅里叶变换功能。5.用于集成由C、C++、Fortran等语言编写的代码的工具。创建数组最简单的办法就是使用array函数。它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的NumPy数组。列表的转换：嵌套序列（比如由一组等长列表组成的列表）将会被
张量是一种多维单一数据类型数组，pytorch 索引张量继承 numpy 索引多维数组。两者均遵守 x[obj] 索引语法，obj 称为索引对象。根据 obj 的不同情形，有“基础索引”， “高级索引”， “字段访问（field access）”三种形式， 本文主要记录前两者。
基础索引
当索引对象是元组时，遵守基础索引规则， 注意x1, x2, x3 是元组 (x1, x2, x3)的等价形式。
当只需索引单一元素时，类似于标准 python 序列对象索引操作，索引号从0开始， 支持负数。当
(0,0)、(1,1)、(2,0)
print(a[[0, 1, 2], [0, 1, 0]])
print(a[ [[0, 0], [3, 3]], [[0, 2], [0, 2]] ])
索引一整行
print(a[1,:])
索引一整列
print(a[:,1])
索引一个
1,Indexing and slicing numpy arrays
https://www.pythoninformer.com/python-libraries/numpy/numpy-and-images/
In this section we will look at indexing and slicing. These work in a similar way to indexing and slicing with standard Pythonlists, with a few d.
Numpy数组的索引是一个内容丰富的主题，因为选取数据子集和单个元素的方式有很多。一维数组很简单。从表面上看，它们跟Python列表的功能差不多：In [109]: arr=np.arange(10)
In [110]: arr
Out[110]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [111]: arr[5]
Out[111]: 5
In [1...
numpy.array多维数组的切片操作总结一 常规介绍1 一维数组切片2 二维数组的切片3 维数超过 3 的多维数组，可通过 '…' 来简化操作4 numpy中对切片元素的操作会影响原数组本身5 array和list的对比6 boolean/mask index二 多维数组array[index,index]和array[index][index]的区别
一 常规介绍
1 一维数组切片
一维数组类似于一条直线(一维),其上的坐标位置用一个数字就可表示，一个数字代表一个位置，对应一个值。
let multiDimensionalArray: number[][][] = [[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]];
let slice: number[][] = multiDimensionalArray[0];
console.log(slice); // [[1, 2, 3], [4, 5, 6]]
这里我们使用了 TypeScript 中的数组类型 `number[][][]` 来声明一个三维数组。 然后通过下标访问方式来实现对三维数组的切片。
如果您需要更高维度的数组，可以继续使用这种方式，例如：
let fourDimensionalArray: number[][][][] = [[[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]], [[[13, 14, 15], [16, 17, 18]], [[19, 20, 21], [22, 23, 24]]]];
let slice: number[][][] = fourDimensionalArray[0];
console.log(slice); // [[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]
当然，你也可以使用类似numpy的库来实现高维数组的操作，比如tensorflow.js，ndarray等等。
