np.array的索引方式

可以使用整数、切片、布尔值或整数数组来索引一个numpy数组。

1. 整数索引：使用整数索引获取单个元素或多个元素。

import numpy as np
a = np.array([1, 2, 3, 4])
print(a[0]) # 输出1
print(a[1:3]) # 输出[2 3]

2. 切片索引：使用切片索引获取数组的一部分。

import numpy as np
a = np.array([1, 2, 3, 4])
print(a[:3]) # 输出[1 2 3]
print(a[1:]) # 输出[2 3 4]

3. 布尔值索引：使用布尔值数组作为索引来获取与该数组中的True值对应的元素。

import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([True, False, True, False])
print(a[b]) # 输出[1 3]

4. 整数数组索引：使用整数数组作为索引来获取相应位置的元素。

import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([0, 2])
print(a[b]) # 输出[1 3]

相关问题

if height > ground_height: shadow_mask[x, y] = True elif height == ground_height: if np.linalg.norm(np.array([x, y]) - np.array(center)) < \ np.linalg.norm(np.array([i, j]) - np.array(center)):这段代码是什么意思

这段代码的作用是判断当前像素是否应该被标记为阴影。

首先，如果当前像素的高度 $height$ 大于中心像素的高度 $ground\_height$，则认为该像素处于阴影之中，将该像素在阴影掩模中的对应位置标记为 True。

如果当前像素的高度 $height$ 等于中心像素的高度 $ground\_height$，则需要进一步判断该像素是否更靠近中心像素。为了判断这一点，代码使用了欧几里得距离来计算当前像素和中心像素之间的距离，即 $\sqrt{(x-center\_x)^2 + (y-center\_y)^2}$。如果当前像素到中心像素的距离小于中心像素到原始像素的距离，则认为当前像素更靠近中心像素，应该被标记为阴影。

需要注意的是，代码中的 `center` 变量指的是当前中心像素的位置，而 `i` 和 `j` 分别是当前像素的行索引和列索引。因此，如果要计算当前像素到中心像素的距离，需要将 `i` 和 `j` 组成一个二元组 `(x, y)`，然后使用 numpy 的 `linalg.norm()` 函数来计算欧几里得距离。

np.array[np.array]

`np.array[np.array]` 表示的是一个二维的 NumPy 数组，其中每个元素也是一个 NumPy 数组。可以看作是一个由 NumPy 数组构成的矩阵。可以通过索引方式来获取其中的元素，例如 `array` 表示获取矩阵中第一行第二列的元素。

需要注意的是，要使用 `np.array` 创建二维数组，需要提供一个二维列表，例如 `np.array([[1, 2], [3, 4]])` 表示创建一个 2x2 的数组。同时，NumPy 还提供了许多对于二维数组的操作和函数，例如可以使用 `np.transpose` 函数来对矩阵进行转置，使用 `np.dot` 函数进行矩阵乘法等。