優美精準的numpy切片操作技巧

從事數據科學和機器學習的人都知道，numpy是必備的工具之一。在numpy中，切片（slicing）是經常用到的操作之一。簡單的切片是很容易掌握的，但是當涉及到多維數組，或者需要高效地選擇元素時，我們就需要更加高效和優美的numpy切片技巧。

一、基礎的切片操作

要理解高級切片技巧，首先需要掌握numpy基礎切片操作。以一維數組為例：

import numpy as np

array = np.array([1, 2, 3, 4, 5])
# 選擇第2到第4個元素
array[1:4] #=> array([2, 3, 4])
# 從第2個元素起，每隔一個取一個元素
array[1:4:2] #=> array([2, 4])
# 可以用負數索引
array[-2:] #=> array([4, 5])

在切片操作中，冒號（:）用於指定選擇範圍，第一個數表示起始位置（包含），第二個數表示結束位置（不包含），第三個數表示步長。

對於多維數組，每個維度可以分別進行切片：

array = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])
# 選擇第1行
array[0] #=> array([1, 2, 3])
# 選擇第1、2行
array[:2] #=> array([[1, 2, 3],
               [4, 5, 6]])
# 選擇第2列
array[:, 1] #=> array([2, 5, 8])
# 選擇第1、2行，第2、3列
array[:2, 1:] #=> array([[2, 3],
                        [5, 6]])

二、布爾型切片

numpy允許使用布爾型數組進行切片。例如，我們可以選擇滿足某個條件的所有元素。

array = np.array([1, 2, 3, 4, 5])
mask = array % 2 == 0
array[mask] #=> array([2, 4])

對於多維數組，我們可以使用多維布爾型數組進行切片。例如，選擇所有大於5的元素：

array = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])
mask = array > 5
array[mask] #=> array([6, 7, 8, 9])

三、花式索引

花式索引（fancy indexing）指的是通過整數數組或布爾型數組選擇數組中的元素。與切片不同，花式索引會複製選取的元素，而不是引用它們。

array = np.array([1, 2, 3, 4, 5])
# 選擇第1、3、5個元素
indices = [0, 2, 4]
array[indices] #=> array([1, 3, 5])

對於多維數組，我們可以使用多個整數數組或一個布爾型數組選擇元素。例如，選擇第1、3行和第2、3列的元素：

array = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])
# 選擇第1、3行和第2、3列的元素
indices_row = [0, 2]
indices_col = [1, 2]
array[indices_row][: ,indices_col] #=> array([[2, 3],
                                          [8, 9]])

四、組合切片技巧

最後，我們可以將基礎切片、布爾型切片和花式索引結合起來，實現更加高效、靈活的切片操作。

例如，選擇第偶數行，第奇數列的元素：

array = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12]
])
# 選擇第偶數行，第奇數列
mask_row = np.array([False, True, False, True])
mask_col = np.array([True, False, True])
array[mask_row][:, mask_col] #=> array([[2],
                                    [8]])

五、總結

在numpy中，切片是一種非常基礎和常用的操作。高效、優美的切片技巧可以大大提高代碼的可讀性和執行效率。在實踐中，我們應該靈活地運用基礎切片、布爾型切片、花式索引和組合切片技巧，根據不同情況選擇最合適的方式。