numpy数组索引是一个大话题，有很多种方式可以让你选中数据中的子集或者某个元素。主要有以下四种方式：
一，基础索引
在一维数组中，你可以使用中括号指定索引获取第i个值（从0开始计数），但是对于多维的数组，每个索引值对应的元素不再是一个数值，例如，在一个二维数组中，将得到一个以为数组。单个元素可以继续索引，或者传递一个索引的列表选择单个元素。
import numpy as np
arr = np.arange(9).reshape((3,3))
arr[0] # array([0, 1, 2])
arr[0][0] # 0
arr[0,0] # 0
这种方式获取的数据为原数组的视图，对于视图数值的修改，也会修改原数组数值。
二·，切片索引
numpy切片与Python列表的标准切片语法相同，通过切片可以灵活地得到一个子数组。与基础索引一样，切片索引也是原数组的视图，修改数据也会作用于原数组。
arr[:2,1:]
"""
array([[1, 2],
[4, 5]])
"""
切片索引有两个实用的应用：
1，获取数组的单行或者单列。
arr[0,:] # array([0, 1, 2]) 获取第1行
arr[:,0] # array([0, 3, 6]) 获取第1列
2，数组的逆序。
arr[::-1,::-1] # 对整个数组进行逆序
"""
array([[6, 7, 8],
[3, 4, 5],
[0, 1, 2]])
"""
arr[::-1,:] #行逆序
"""
array([[6, 7, 8],
[3, 4, 5],
[0, 1, 2]])
"""
arr[:,::-1] # 列逆序
"""
array([[2, 1, 0],
[5, 4, 3],
[8, 7, 6]])
"""
三，布尔索引
布尔索引主要是利用的布尔数组，当数组的比较操作（比如==、>=）也是可以向量化，这些比较运算的结果是一个布尔数据类型的数组。该数组与原数组的长度和形状都是一致，我们可以获取到对应位置为True的值。
bool_arr = arr>3
arr[bool_arr] # array([4, 5, 6, 7, 8])
通过布尔索引获得的子数组为副本，修改后不影响原数组。
arr = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
arr2 = arr[ arr>3]
arr2 = -1
arr
"""
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
"""
布尔数组操作
1，统计记录个数
如果需要统计布尔数组中True的个数，可以使用np.count_nonzero函数
np.count_nonzero(arr>3) # 5
另一种方法是使用np.sum，False会被解释为0，而True被解释为1。sum()可以沿着行或列求和。
np.sum(arr>3) # 5
#每一列中大于3的个数
np.sum(arr>3,axis=0) # array([1, 2, 2])
2，快速地检查是否包含True
np.all(arr>3) # False all 全部为True时，返回True，否则返回False
np.any(arr>3) # True any 至少有一个为True时，返回True，否则返回False
# np.all() 和 np.any()也可以沿着特定的轴。
np.all(arr>7,axis=0) # array([False, False, False])
np.any(arr>7,axis=0) # array([False, False, True])
3，python中的关键字and 和 or 对布尔数组不起作用，需要使用逐位逻辑运算符（&，|，^）
当使用 and 或者 or 时，就等于让python将整个数组当作布尔对象；
当使用 & 或者 | 时，表达式操作的是数组中的元素，每个元素逐位运算。
# 每个元素逐位逻辑运算
a = np.array([1,0,1,1,0],dtype=bool)
b = np.array([1,0,1,1,0],dtype=bool)
a & b # array([ True, False, True, True, False])
a = np.array([1,0,1,1,0],dtype=bool)
b = np.array([1,0,1,1,0],dtype=bool)
a and b
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
a and b 之所以报错，是因为，无法知道a和b整个数组，分别是Ture还是False。没法进行and运算，可以使用np.all() 或者 np.any()对整个数组进行判断。
a = np.array([1,0,1,1,0],dtype=bool)
b = np.array([1,0,1,1,0],dtype=bool)
np.all(a) and np.any(b) # False
四，数组索引
数组索引在概念上很简单，通过一个数组来一次性获取多个元素，
arr[[1,2]]
"""
array([[3, 4, 5],
[6, 7, 8]])
"""
arr[[1,2],[0,1]]
# array([3, 7]) 分别获取[1,0],[2,1]
在使用数组索引时，有两个点需要注意：
1，使用数组索引，结果的形状不是与被索引的数组的形状一致。
arr.shape # (3, 3)
ind = np.array([[0,2],[1,2]])
arr[ind].shape # (2, 2, 3)
2，操作重复的索引可以会产生一些出乎意料的结果。
x = np.zeros(10)
x[[0,0]] = [4,6]
上面的代码执行后，x的结果为array([6., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
这里会有疑问，4去哪里了？其实上面的代码等同于赋值两次。
A=1
A,A = 2,3
A # 3
A=2，然后A=3，所以最后结果为3。
继续设想以下操作：
x = np.zeros(10)
x[[0,0]] +=1
x[0] # 1
按照之前的想法，x[0]的输出结果应该的2，然而结果却是1。x[[0,0]] +=1其实可以拆开为：x[0],x[0] = x[0]+1,x[0]+1 ,换个简单的例子：
a = 1
a,a=a+1,a+1
print("a="+str(a))
a的结果为2，a,a=a+1,a+1的指向步骤是：
1，先计算等号右边的结果，(2,2)
2，将右边的结果赋给左边：a=2，a=2。
在看一个例子：
a = 1
b = 2
a,a=b,a+b
print("a="+str(a))
a的结果为3，a,a=b,a+b的指向步骤是：
1，先计算等号右边的结果，(2,3)
2，将右边的结果赋给左边：a=2，a=3。
numpy数组索引真的是一个大话题，可以引申出许多东西的，还可以将四种方式混合使用，只要知道每种方式的特点，混合使用也不是问题。如有错误，欢迎留言指出。
参考：《Python数据科学手册》