一、Numpy的切片索引
1.1 使用slice内置函数（不常用）
ndarray对象的内容可以通过切片来访问，与 Python 中 list 的切片操作完全一样。 使用slice 并设置start, stop 及 step 参数进行；举例如下：
a = slice(2,9,2) # 2为起点，9为终点，间隔为2 b = np.arange(0,10,1) # b: [0 1 2 3 4 5 6 7 8 9] print(b[a]) # 输出：[2 4 6 8]1.2 使用 [] 切片 (常用，*** 非常重要***)
使用方式与slice相同，上面的例子可以书写为：
b = np.arange(0,10,1) print(b[2:9:2]) # 输出：[2 4 6 8]注意：
1.2.1 针对一维数组：
1.2.2 针对二维数组，与一维数组类似，可以用冒号：代替所有
举例如下：
a = np.array([[1,2,3],[3,4,5],[4,5,6]]) print (a[:,1]) # 第2列元素，输出：[2 4 5] print (a[1,:]) # 第2行元素，输出：[3 4 5] print (a[:,1:]) # 第2列及剩下的所有元素，输出：[[2 3] [4 5] [5 6]]二、Numpy的高级索引
2.1 布尔索引 (常用，*** 非常重要***)
在高级索引中，最为有用的便是：布尔索引； 简单来说就是，在切片的中括号内[]，使用筛选条件，该条件会返回一个布尔数据作为Mask，将需要的数据选取出来；实际上，我们并不需要知道Numpy是如何选取出来数据的，只要只要如何使用即可；举例如下：
b = np.arange(0,10,1) print(b[b>5]) # [6 7 8 9] print(b[(b>5) & (b<8)]) # [6 7]注意点一：应用多个条件时，可以使用 &， 各个条件需要放在()内；如上例中的：b[(b>5) & (b<8)] 注意点二：布尔索引不一定要对数组中的所有元素，也可以针对某一行或者某一列进行筛选；举例如下：
a = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]) print(a[(a[:,0]>2) & (a[:,1]<10)]) # 输出：[[4 5 6] [7 8 9]] # (a[:,0]>2) 选择出第一列大于2的所有行； # (a[:,1]<10) 选择出第二列小于10的所有行，然后取交集得到最后结果；2.2 花式索引
花式索引（Fancyindexing）是一个NumPy术语，它指的是利用整数数组进行索引。假设我们有一个8×4数组：
a = np.arange(32).reshape(8,4)
通过花式索引，我们可以进行如下操作：
选出指定的行，例如选出第1,3,5,7 行: print(a[[1,3,5,7]]), 输出为：
也可以传入负数，选出倒数的行，例如选出最后3行： print(a[[-3,-2,-1]]), 输出为：
也可以传入多个索引数组，返回对应值的一维数组，例如选出 (2,2), (3,3), (5,3) 三个数: print(a[[2,3,5],[2,3,3]]) , 输出为：
选出指定的列，例如选出第0,1, 3列：print(a[:,[1,2,3]]) , 输出为：
选出指定的行与指定的列，例如选出第0,2,3列，第2,5,6 行的一个3*3数组; print(a[[2,5,6]][:,[0,2,3]]), 输出为：
在5的基础上，还可以通过交换输入的顺序，调整输出的顺序，例如：想要调换2,3列的顺序，同时调换 2,6 行的顺序；print(a[[6,5,2]][:,[0,3,2]])
