【基础】NumPy高级操作：索引与切片

# 2.1 布尔索引

### 2.1.1 布尔索引的原理和应用

布尔索引是一种通过布尔值（True/False）来选择数组元素的索引方式。它使用一个布尔数组作为索引，其中 True 表示要保留的元素，而 False 表示要丢弃的元素。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5])

# 创建一个布尔数组
mask = np.array([True, False, True, False, True])

# 使用布尔索引选择元素
result = arr[mask]

print(result)  # 输出：[1 3 5]

布尔索引可以用于过滤数据、提取特定值或创建新的数组。例如，我们可以使用布尔索引来提取数组中大于 2 的元素：

mask = arr > 2
result = arr[mask]

print(result)  # 输出：[3 4 5]

# 2. NumPy数组的高级索引与切片技巧

### 2.1 布尔索引

#### 2.1.1 布尔索引的原理和应用

布尔索引是一种使用布尔数组对NumPy数组进行索引和切片的方法。布尔数组中的每个元素对应于原始数组中的一个元素，如果布尔元素为True，则保留相应的原始元素，否则丢弃。

import numpy as np

# 创建一个原始数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 创建一个布尔数组
mask = np.array([True, False, True, False, True, False, True, False, True, False])

# 使用布尔索引
result = arr[mask]

# 打印结果
print(result)

输出：

[1 3 5 7 9]

#### 2.1.2 布尔索引的性能优化

使用布尔索引时，可以通过以下方法优化性能：

* **使用位运算代替布尔运算：**位运算比布尔运算更快，可以使用`np.where()`函数进行位运算。
* **避免创建副本：**布尔索引通常会创建原始数组的副本，可以通过`arr[mask, ...]`语法避免创建副本。
* **使用索引数组：**如果布尔数组中True元素较少，可以使用`np.nonzero()`函数获取True元素的索引，然后使用索引数组进行索引。

### 2.2 条件索引

#### 2.2.1 条件索引的语法和用法

条件索引是一种使用条件表达式对NumPy数组进行索引和切片的方法。条件表达式可以是任何有效的NumPy表达式，它返回一个布尔数组。

import numpy as np

# 创建一个原始数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 使用条件索引
result = arr[(arr > 5) & (arr < 8)]

# 打印结果
print(result)

输出：

[6 7]

#### 2.2.2 条件索引的应用场景

条件索引在以下场景中非常有用：

* **过滤数据：**根据条件表达式过滤出满足条件的元素。
* **分组数据：**根据条件表达式将数据分组到不同的子数组中。
* **聚合数据：**对满足条件的元素进行聚合操作，例如求和、求平均值等。

### 2.3 多维数组的索引与切片

#### 2.3.1 多维数组索引的规则和技巧

多维数组的索引规则与一维数组类似，但需要考虑额外的维度。对于一个N维数组，可以使用N个索引来访问单个元素。

import numpy as np

# 创建一个多维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 访问单个元素
print(arr[1, 2])  # 输出：6

# 访问一行
print(arr[1, :])  # 输出：[4 5 6]

# 访问一列
print(arr[:, 1])  # 输出：[2 5 8]

#### 2.3.2 多维数组切片的应用示例

多维数组切片在以下场景中非常有用：

* **提取子数组：**从多维数组中提取特定形状的子数组。
* **重塑数组：**改变多维数组的形状。
* **图像处理：**对图像数据进行裁剪、缩放等操作。

# 3 NumPy数组的索引与切片实践应用

### 3.1 数据清洗与预处理

#### 3.1.1 缺失值处理

缺失值是数据清洗中常见的问题，NumPy提供了多种方法来处理缺失值：

- **删除缺失值：**使用`np.dropna()`函数删除包含缺失值的元素。
- **填充缺失值：**使用`np.nan`填充缺失值，或使用`np.fillna()`函数填充指定值。
- **插值缺失值：**使用`np.interp()`或`np.fill_value()`函数插值缺失值。

**代码块：**

# 删除包含缺失值的元素
arr = np.array([1, 2, np.nan, 4, 5])
arr_cleaned = np.dropna(arr)
print(arr_cleaned)  # 输出：[1. 2. 4. 5.]

# 填充缺失值
arr = np.array