目录

• 说明
• 一、数组的创建
• • 1.1 利用现有的数据创建数组
  • • 1.1.1 np.array()
    • 1.1.2 np.asarray()
    • 1.1.3 np.fromfunction()
    • 1.1.4 np.fromstring()
  • 1.2 根据数值范围创建数组
  • • 1.2.1 np.arange()
    • 1.2.2 np.linspace()
    • 1.2.3 np.logspace()
    • 1.2.4 np.geomspace()
  • 1.3 创建特定类型的数组
  • • 1.3.1 np.empty()
    • 1.3.2 np.ones()
    • 1.3.3 np.zeros()
    • 1.3.4 np.full()
    • 1.3.5 np.eye()
    • 1.3.6 np.identity()
  • 1.4 创建对角矩阵、上/下三角矩阵
  • • 1.4.1 np.diag()
    • 1.4.2 np.tri()
    • 1.4.3 np.tril()
    • 1.4.4 np.triu()
• 二、数组的基本操作
• • 2.1 查看数组信息
  • 2.2 算术运算符
  • 2.3 索引与切片
  • • 2.3.1 索引（indexing）
    • 2.3.2 切片（slicing）
    • 2.3.3 高级索引
    • • 2.3.3.1 省略号（...）的使用
      • 2.3.3.2 使用索引数组进行索引
      • 2.3.3.3 使用布尔数组进行索引
  • 2.4 广播机制（broadcasting）
  • • 2.4.1 标量与一维数组
    • 2.4.2 一维数组与二维数组
    • 2.4.3 一维数组（列向量）与一维数组（行向量）
    • 2.4.4 广播规则

说明

• 本文不会介绍所有的数组函数，并且也不会讲解所有参数，详情可参阅官方文档。
• 带有方括号[ ]的参数可以省略。
• 每一小段代码的输出都会写在下方的注释中。

一、数组的创建

1.1 利用现有的数据创建数组

1.1.1 np.array()

np.array()是最常用的一种方法。

""" example 1 """
A = np.array([1, 2])
print(A)
print(type(A))
# [1 2]
# <class 'numpy.ndarray'>

""" example 2 """
A = np.array([(1, 2), (3, 4)])
print(A)
print(type(A))
# [[1 2]
#  [3 4]]
# <class 'numpy.ndarray'>

""" example 3 """
A = np.array([1, 2, 3], dtype=np.complex128)
print(A)
# [1.+0.j 2.+0.j 3.+0.j]

""" example 4 """
A = np.array([1, 2, 3])
B = np.array(A)
print(B)
print(type(B))
# [1 2 3]
# <class 'numpy.ndarray'>

""" example 5 """
A = np.array([1, 2, 3])
B = np.array(A)
C = np.array(A, copy=False)
A[0] = 2
print(B, '\n', C)
# [1 2 3] 
# [2 2 3]

从example 4中不难发现，我们的object也可以是ndarray。

从example 5中可以看出，如果关掉copy，我们修改A的值是会影响到C的（因为此时C指向A）。事实上，如果A不是ndarray（比如列表），那么无论copy设置成什么，我们的np.array()都会复制一份A。

1.1.2 np.asarray()

np.array()和np.asarray()都可以将源数据object转化为ndarray，但主要区别就在于：当源数据是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。

从下面的两个例子便能看出区别：

""" example 1 """
A = [1, 2, 3]
B = np.array(A)
C = np.asarray(B)
A[0] = 2
print(A, '\n', B, '\n', C, sep='')
# [2, 2, 3] 
# [1 2 3] 
# [1 2 3]

""" example 2 """
A = np.array([1, 2, 3])
B = np.array(A)
C = np.asarray(A)
A[0] = 2
print(A, '\n', B, '\n', C, sep='')
# [2 2 3] 
# [1 2 3] 
# [2 2 3]

为了方便记忆，我们可以这样理解：

# 不严谨的来讲，以下两种语句等价：
np.array(object, copy=False)
np.asarray(object)

如无特殊需要，尽量使用np.array()而不是np.asarray()。

1.1.3 np.fromfunction()

我们首先定义一个函数

def f(x, y):
    return x + y

因为 f 有两个参数，所以shape的大小也应为2。我们不妨设shape=(3, 2)，那么最终返回的就是大小为 $3\times 2$ 的数组. 记该数组为 $A$，那么自然有

$$A[i][j]=f(i,j)=i+j$$

我们来看一下效果：

A = np.fromfunction(f, (3, 2), dtype=int)
print(A)
# [[0 1]
#  [1 2]
#  [2 3]]

若使用python的匿名函数，我们仅需一行代码：

A = np.fromfunction(lambda x, y: x + y, (3, 2), dtype=int)

使用 np.fromfunction()，我们可以很轻松的创建元素与索引相关的数组，例如，对于下面这种数组：

$$\left[\begin{array}{ccc}\mathrm{T}\mathrm{r}\mathrm{u}\mathrm{e}& \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}& \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}\\ \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}& \mathrm{T}\mathrm{r}\mathrm{u}\mathrm{e}& \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}\\ \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}& \mathrm{F}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}& \mathrm{T}\mathrm{r}\mathrm{u}\mathrm{e}\end{array}\right]$$

我们可以这样来创建：

A = np.fromfunction(lambda i, j: i == j, (3, 3))

1.1.4 np.fromstring()

对于下面这样的字符串：

s = '1 2 3 4 5'

若要将其转换为整型数组，我们的第一反应是：

A = np.array(list(map(int, s.split())))
print(A)
# [1 2 3 4 5]

但是使用 np.fromstring()，我们可以更方便地完成创建。注意到字符串中的每个数字是由空格分割的，因此只需要设置sep=’ '即可：

A = np.fromstring(s, dtype=int, sep=' ')
print(A)
# [1 2 3 4 5]

1.2 根据数值范围创建数组

1.2.1 np.arange()

""" example 1 """
A = np.arange(6)
B = np.arange(2, 6)
C = np.arange(2, 10, 2)
print(A, '\n', B, '\n', C, sep='')
# [0 1 2 3 4 5]
# [2 3 4 5]
# [2 4 6 8]

""" example 2 """
A = np.arange(6, -1, -1, dtype=float)
print(A)
# [6. 5. 4. 3. 2. 1. 0.]

""" example 3 """
A = np.arange(6, -1, -1.0)
print(A)
# [6. 5. 4. 3. 2. 1. 0.]

1.2.2 np.linspace()

""" example 1 """
A = np.linspace(1, 10, 10)
B = np.linspace(1, 10, 10, endpoint=False)
print(A, '\n', B, sep='')
# [ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]
# [1.  1.9 2.8 3.7 4.6 5.5 6.4 7.3 8.2 9.1]

1.2.3 np.logspace()

该函数与np.linspace()函数密切相关，我们先来看np.linspace()的一个例子：

A = np.linspace(1, 5, 5)
print(A)
# [1. 2. 3. 4. 5.]

将linspace换为logspace，并设置基底为2：

A = np.logspace(1, 5, 5, base=2)

根据前面表格中的描述，结果应该为：

$$[2^1,2^2,2^3,2^4,2^5]$$

输出也的确如此：

# [ 2.  4.  8. 16. 32.]

1.2.4 np.geomspace()

np.logspace() 和 np.geomspace() 都会生成指数增长的数组，区别在于，logspace生成的数组是：

$$[bas{e}^{start},\cdots ,bas{e}^{stop}]$$

而geomspace生成的数组是：

$$[start,\cdots ,stop]$$

例如，设置start=1，stop=1000，num=4，则geomspace会自动选择基底10：

A = np.geomspace(1, 1000, num=4, dtype=int)
print(A)
# [   1   10  100 1000]

1.3 创建特定类型的数组

1.3.1 np.empty()

empty与zeros不同，它不会将元素初始化为0（但也并不代表数组中没有数字），所以速度可能会比zeros快一些。

""" example 1 """
A = np.empty(2)
print(A)
# [4.64929150e+143 2.37662553e-045]

""" example 2 """
A = np.empty([2, 2])
print(A)
# [[ 1.05328699e-311 -6.77097176e-233]
#  [ 1.05328694e-311  1.05328694e-311]]

""" example 3 """
A = np.array([1, 2, 3])
B = np.empty_like(A)
print(B)
# [5111887 5701703 5111877]

1.3.2 np.ones()

""" example 1 """
A = np.ones([2, 2])
print(A)
# [[1. 1.]
#  [1. 1.]]

""" example 2 """
A = np.array([1, 2, 3])
B = np.ones_like(A)
print(B)
# [1 1 1]

1.3.3 np.zeros()

""" example 1 """
A = np.zeros(5)
print(A)
# [0. 0. 0. 0. 0.]

""" example 2 """
A = np.array([1, 2, 3])
B = np.zeros_like(A)
print(B)
# [0 0 0]

1.3.4 np.full()

""" example 1 """
A = np.full((2, 3), 3)
print(A)
# [[3 3 3]
#  [3 3 3]]

""" example 2 """
A = np.full((3, 3), [1, 2, 3])
print(A)
# [[1 2 3]
#  [1 2 3]
#  [1 2 3]]

可以看出，当value是数组时，返回的数组中每一行都是用value进行填充的。需要注意的是，在这种情形下，shape[1] 需要与 len(value) 保持一致，否则会报错：

A = np.full((3, 4), [1, 2, 3])
print(A)
# ValueError: could not broadcast input array from shape (3,) into shape (3,4)

我们再来看 np.full_like()：

A = np.arange(6, dtype=int)
B = np.full_like(A, 1)
C = np.full_like(A, 0.1)
D = np.full_like(A, 0.1, dtype=float)
print(A, '\n', B, '\n', C, '\n', D, sep='')
# [0 1 2 3 4 5]
# [1 1 1 1 1 1]
# [0 0 0 0 0 0]
# [0.1 0.1 0.1 0.1 0.1 0.1]

1.3.5 np.eye()

先介绍一下对角线。

主对角线：

$$(0,0)\to (1,1)\to \cdots \to (s,s)$$

例如，下面两个矩阵中，1所在的路径均为主对角线：

$$\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right]$$

副对角线：

$$\begin{gathered} \mathrm{T}\mathrm{y}\mathrm{p}\mathrm{e}\mathrm{I}:(0,0+k)\to (1,1+k)\to \cdots \to (s,s+k),k\ge 1 \\ \mathrm{T}\mathrm{y}\mathrm{p}\mathrm{e}\mathrm{I}\mathrm{I}:(0-k,0)\to (1-k,1)\to \cdots \to (s-k,s),k\le -1 \end{gathered}$$

其中 $k$ 是整数.

我们先看第一型副对角线，不妨就设 $k=1$，则路径为

$$(0,1)\to (1,2)\to (2,3)\to \cdots \to (s,s+1)$$

例如，下面两个矩阵中，1所在的路径均为第一型副对角线：

$$\left[\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right],\left[\begin{array}{ccccc}0& 1& 0& 0& 0\\ 0& 0& 1& 0& 0\\ 0& 0& 0& 1& 0\end{array}\right]$$

相当于主对角线往上平移 $k$ 个单位得到第一型副对角线。

再看第二型副对角线，不妨设 $k=-1$，则路径为：

$$(1,0)\to (2,1)\to (3,2)\to \cdots \to (s+1,s)$$

例如，下面两个矩阵中，1所在的路径均为第二型副对角线：

$$\left[\begin{array}{ccc}0& 0& 0\\ 1& 0& 0\\ 0& 1& 0\end{array}\right],\left[\begin{array}{ccc}0& 0& 0\\ 1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right]$$

相当于主对角线往下平移 $-k$ 个单位得到第二型副对角线。

于是我们可以作一个总结：

• $k=0$ 时为主对角线。
• $k>0$ 时为第一型副对角线，相当于主对角线往上平移 $k$ 个单位得到。
• $k<0$ 时为第二型副对角线，相当于主对角线往下平移 $-k$ 个单位得到。

在知道了什么是对角线后，下面的例子就不难理解了：

""" example 1 """
A = np.eye(3)
print(A)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

""" example 2 """
A = np.eye(3, 5)
print(A)
# [[1. 0. 0. 0. 0.]
#  [0. 1. 0. 0. 0.]
#  [0. 0. 1. 0. 0.]]

""" example 3 """
A = np.eye(3, 4, k=2)
print(A)
# [[0. 0. 1. 0.]
#  [0. 0. 0. 1.]
#  [0. 0. 0. 0.]]

""" example 4 """
A = np.eye(5, 3, k=-3)
print(A)
# [[0. 0. 0.]
#  [0. 0. 0.]
#  [0. 0. 0.]
#  [1. 0. 0.]
#  [0. 1. 0.]]

1.3.6 np.identity()

以下三种语句等价：

np.eye(n)
np.eye(n, n)
np.identity(n)

1.4 创建对角矩阵、上/下三角矩阵

1.4.1 np.diag()

""" example 1 """
A = np.array([[1, 2], [3, 4]])
print(np.diag(A))
print(np.diag(A, k=1))
# [1 4]
# [2]

""" example 2 """
A = np.array([1, 2, 3])
print(np.diag(A))
print(np.diag(A, k=1))
# [[1 0 0]
#  [0 2 0]
#  [0 0 3]]
# [[0 1 0 0]
#  [0 0 2 0]
#  [0 0 0 3]
#  [0 0 0 0]]

1.4.2 np.tri()

""" example 1 """
A = np.tri(3, 4, k=1)
print(A)
# [[1. 1. 0. 0.]
#  [1. 1. 1. 0.]
#  [1. 1. 1. 1.]]

""" example 2 """
A = np.tri(3, 4, k=-1)
print(A)
# [[0. 0. 0. 0.]
#  [1. 0. 0. 0.]
#  [1. 1. 0. 0.]]

""" example 3 """
A = np.tri(2, k=-1)
print(A)
# [[0. 0.]
#  [1. 0.]]

1.4.3 np.tril()

""" example 1 """
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.tril(A))
# [[1 0 0]
#  [4 5 0]
#  [7 8 9]]

""" example 2 """
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.tril(A, k=-1))
# [[0 0 0]
#  [4 0 0]
#  [7 8 0]]

1.4.4 np.triu()

""" example 1 """
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.triu(A))
# [[1 2 3]
#  [0 5 6]
#  [0 0 9]]

""" example 2 """
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.triu(A, k=1))
# [[0 2 3]
#  [0 0 6]
#  [0 0 0]]

二、数组的基本操作

2.1 查看数组信息

我们已经知道，在Numpy中，一维数组表示向量，二维数组表示矩阵，而对于三维及以上的数组，我们就要用张量来称呼了。

在Numpy中，数组的维度还有另外一个名称——轴（axes），几维数组就有几个轴。例如，对于下面这样的二维数组：

[[0., 0., 0.],
 [1., 1., 1.]]

它有两个轴，且该数组沿第一个轴的长度为2，沿第二个轴的长度为3，即：

看到这里你可能会疑惑，为什么第一个轴是沿行方向的而第二个轴是沿列方向的呢？ 为什么不能让第一个轴沿列方向而第二个轴沿行方向呢？

这是因为，我们在进行索引时，索引形式形如 $A[i][j]$。行索引在第一个位置，列索引在第二个位置，所以我们的第一个轴就规定为沿行方向，第二个轴就规定为沿列方向。

我们有以下方法查看数组的信息：

我们通过一个例子进一步学习这些方法：

A = np.array([[1, 2, 3], [4, 5, 6]])
print(A.ndim)
print(A.shape)
print(A.size)
print(A.dtype)
# 2
# (2, 3)
# 6
# int32

2.2 算术运算符

对数组应用算术运算符则会 按元素（又称逐个元素） 进行处理。

A = np.array([1, 2, 3])
B = np.array([4, 5, 6])

print(A + B)
# [5 7 9]
print(B - A)
# [3 3 3]
print(A + 2)
# [3 4 5]
print(A * 2)
# [2 4 6]
print(A / 2)
# [0.5 1.  1.5]
print(A ** 2)
# [1 4 9]
print(A * B)
# [ 4 10 18]
print(A ** B)
# [  1  32 729]
print(A >= 2)
# [False  True  True]

当对不同精度（数据类型）的数组进行运算时，结果的精度（数据类型）为参与运算的数组的最高精度（向上转换）。

例如，将数据类型分别为int32和float64的两个数组相加，结果将是精度为float64的数组：

A = np.array([1, 2, 3], dtype=int)
B = np.array([4, 5, 6], dtype=float)
C = A + B
print(C)
print(C.dtype)
# [5. 7. 9.]
# float64

将数据类型分别为float64和complex128的两个数组相加，结果将是精度为complex128的数组：

A = np.array([1, 2, 3], dtype=complex)
B = np.array([4, 5, 6], dtype=float)
C = A + B
print(C)
print(C.dtype)
# [5.+0.j 7.+0.j 9.+0.j]
# complex128

2.3 索引与切片

Numpy的n维数组可以像Python的列表那样进行索引、赋值、切片、迭代等操作。

2.3.1 索引（indexing）

n维数组索引和赋值的方法和列表一样：

A = np.arange(12)
print(A[3])
# 3
A[5] = 9
print(A)
# [ 0  1  2  3  4  9  6  7  8  9 10 11]

当然我们还可以同时索引多个元素：

A = np.arange(12)
indexes_1 = np.array([1, 4, 7, 9])
indexes_2 = [1, 4, 7, 9]
print(A[indexes_1])
print(A[indexes_2])
# [1 4 7 9]
# [1 4 7 9]

可以看出，indexes为n维数组或列表时都可以完成对多个元素的索引，但indexes为元组时会索引失败。

对于二维列表，索引某个元素的方法为 $A[i][j]$。 但在二维数组中，除了该方法以外，还有另外一种方法：$A[i,j]$。

A = np.array([[1, 2, 3], [4, 5, 6]])
print(A[0, 1])
print(A[1, -1])
# 2
# 6

如果索引数小于数组的维度，则会获得一个子数组：

A = np.array([[1, 2, 3], [4, 5, 6]])
print(A[0]) # 相当于取A的第0行
# [1 2 3]

回到一维数组，如果数组容量非常大，并且我们需要索引的元素非常多时，有没有比较简便的方法呢？

答案就是切片。

2.3.2 切片（slicing）

• 不止n维数组和列表，python中的任何有序序列都支持切片，如字符串，元组等。
• 切片返回的结果类型与被切片对象的类型一致。对数组切片得到数组，对列表切片得到列表，对字符串切片得到字符串。

我们接下来只讨论数组切片，其标准格式为：

$$A[start:stop:step],step\ne 0$$

start是切片起点索引，end是切片终点索引，注意这里是左开右闭区间，即 $[start,stop)$。

例如：

A = np.arange(10)
print(A[1:6:1])
print(A[5:0:-1])
# [1 2 3 4 5]
# [5 4 3 2 1]

假设step给定：

• 若只省略stop，则会从start开始沿切片方向一直切片到数组的某一端点（包含端点）。
• 若只省略start，则会从数组的某一端点沿切片方向一直切片到stop（不包含stop）。

例如：

A = np.arange(10)
print(A[1::1])
print(A[:0:-1])
# [1 2 3 4 5 6 7 8 9]
# [9 8 7 6 5 4 3 2 1]

• 若start和stop都省略，则会从数组的其中一个端点开始沿切片方向一直切片到另一个端点（包含端点）

例如：

A = np.arange(10)
print(A[::1])
print(A[::-1])
# [0 1 2 3 4 5 6 7 8 9]
# [9 8 7 6 5 4 3 2 1 0]

于是我们得到了一个快速反转数组的方法：

A = A[::-1]

因为step为1时可以省略，并且可以进一步省略一个冒号，即下面三种语句等价：

A[start:stop:1]
A[start:stop:]
A[start:stop]

所以我们还能得到一个复制数组的方法：

B = A[:]

在熟悉了切片之后，我们可以完成更复杂的操作，例如对于下面这样的矩阵：

$$A=\left[\begin{array}{cccc}1& 2& 3& 4\\ 5& 6& 7& 8\\ 9& 10& 11& 12\\ 13& 14& 15& 16\end{array}\right]$$

如果我们要想取出 $A$ 的最后三行，可以这样做：

# 以下两种语句等价，试思考为什么等价
print(A[1:, :])
print(A[1:])

如果我们要想取出 $A$ 的最后三列，则应该这样做：

# 试思考为什么只有这一种方案
print(A[:, 1:])

若要想获得 $2,4,10,12$ 这四个元素，我们只需进行如下索引（切片）：

# 相当于取第0行、第3行与第1列、第3列交叉位置的元素
print(A[::2, 1::2])
# [[ 2  4]
#  [10 12]]

2.3.3 高级索引

这一小节我们将讨论更高级的索引（切片），它能帮你方便快捷地选取某些元素。

2.3.3.1 省略号（…）的使用

回到2.3.1节，我们知道，对于一个二维数组，取出它沿第一个轴方向上的第一个子数组（即取第0行），应该使用 A[0]，事实上，它等价于 A[0, :]。对于三维数组而言，取它在第三个轴方向上的第k个子数组，我们应该用 A[:, :, k]，这个时候我们就没有更简洁的表示形式了。

那么问题来了，对于N维数组，当N非常大时，如果我们要想取它在某个轴上的第k个子数组，我们的索引会涉及到大量的冒号和逗号，而手动输入是不现实的，那该如何解决这一问题呢？

好在Numpy提供了一种更为简洁的表示方式，当有两个及以上的冒号时，我们可以用三个点 ... 来代替。例如，对于上面的第二个例子，我们可以简洁地写成 A[..., k]。

假如 A 是一个五维数组，则：

• A[1,2,...] 等价于 A[1,2,:,:,:]
• A[...,3] 等价于 A[:,:,:,:,3]
• A[4,...,5,:] 等价于 A[4,:,:,5,:]

我们来看一个三维数组的例子：

A = np.array([[[0, 1, 2], 
			   [10, 12, 13]], 
			  [[100, 101, 102],
			   [110, 112, 113]]])
print(A[1, :, :])
print(A[1, ...])
# [[100 101 102]
#  [110 112 113]]
# [[100 101 102]
#  [110 112 113]]

print(A[..., 2])
# [[  2  13]
#  [102 113]]

2.3.3.2 使用索引数组进行索引

在2.3.1节中我们提到了，可以使用n维数组或列表完成对多个元素的索引。为了更贴近Numpy，接下来我们摒弃列表，只使用n维数组去索引。该方法又称为使用索引数组进行索引。

先来看一个简单的例子：

A = np.arange(12)
i = np.array([0, 1, 4, 7])
print(A[i])
# [0 1 4 7]

当我们的索引数组是二维数组时，返回的结果也是二维数组：

A = np.arange(12)
i = np.array([[0, 1], [4, 7]])
print(A[i])
# [[0 1]
#  [4 7]]

我们可以从数学上将其推广到更一般的形式，假设 indexes 是 $k$ 维数组，即：

$$indexes[i_1,i_2,\cdots ,i_k]=a_{i_1{i}_2\cdots i_k}$$

从而索引后的结果 A[indexes] 满足：

$$A[indexes][i_1,i_2,\cdots ,i_k]=A[a_{i_1{i}_2\cdots i_k}]$$

我们还可以为多个维度提供索引，但要注意每个维度的索引数组必须具有相同的形状：

A = np.array([[0, 1, 2, 3], 
			  [4, 5, 6, 7], 
			  [8, 9, 10, 11]])

i = np.array([[0, 1], 
			  [1, 2]])
j = np.array([[2, 1], 
			  [3, 3]])

print(A[i, j])
# [[ 2  5]
#  [ 7 11]]

print(A[i, 2])
# [[ 2  6]
#  [ 6 10]]

print(A[i, :])
# [[[ 0  1  2  3]
#   [ 4  5  6  7]]
#  [[ 4  5  6  7]
#   [ 8  9 10 11]]]

我们既然能够完成对多个元素的索引，那我们也应该可以完成对多个元素的赋值：

""" example 1 """
A = np.array([0, 1, 2, 3, 4])
A[[0, 1, 3]] = 5
print(A)
# [5 5 2 5 4]

""" example 2 """
A = np.array([0, 1, 2, 3, 4])
A[[0, 1, 3]] = [7, 8, 9]
print(A)
# [7 8 2 9 4]

""" example 3 """
A = np.array([0, 1, 2, 3, 4])
A[[0, 1, 3]] = A[[0, 1, 3]] + 1
print(A)
# [1 2 2 4 4]

""" example 4 """
A = np.array([0, 1, 2, 3, 4])
A[[0, 0, 3]] += 1
print(A)
# [1 1 2 4 4]

可以看到，example 4中，$0$ 的值只增加了一次，为什么呢？

这是因为，A[[0, 0, 3]] 本身就是 [0, 0, 3]，执行 A[[0, 0, 3]] += 1 相当于执行 A[[0, 0, 3]] = A[[0, 0, 3]] + 1 ，也就相当于执行 A[[0, 0, 3]] = [1,1,4]，该语句等价于

A[0] = 1
A[0] = 1
A[3] = 4

可以看出 A[0] 被重复赋值了，因此其值自然就不会增加两次。

那如果我们想让 A[0] 的值增加两次（在保持 A[3] 只增加一次的基础上），该怎么做呢？

我们只需要修改赋值的地方:

A[[0, 0, 3]] += [x, 2, 1]

其中 x 可以为任意的数字，因为随后 A[0] 的值就会被 2 覆盖。上述语句等价于：

A[0] = x
A[0] = 2
A[3] = 1

2.3.3.3 使用布尔数组进行索引

首先看一个例子：

A = np.array([[1, 2, 3], 
			  [4, 5, 6]])
i = np.array([[True, False, False], 
			  [False, False, True]])
print(A[i])
# [1 6]

可以看出，我们只索引了 True 的地方，而为 False 的地方没有进行索引。

利用这一特点，我们可以完成一些有趣的操作。例如，对于上述的数组 A，如果想让 A 中大于等于3的元素都置为0，我们可以先创建一个布尔数组，随后赋值：

A = np.array([[1, 2, 3], [4, 5, 6]])
i = A >= 3
print(i)
# [[False False  True]
#  [ True  True  True]]

A[i] = 0
print(A)
# [[1 2 0]
#  [0 0 0]]

我们再来看几个例子进一步熟悉布尔数组索引：

A = np.array([[1, 2, 3], 
		      [5, 6, 7]])
i = np.array([False, True])
j = np.array([True, False, True])

print(A[i, :])
# [[5 6 7]]

print(A[:, j])
# [[1 3]
#  [5 7]]

print(A[i, j])
# [5 7]

2.4 广播机制（broadcasting）

Numpy在处理两个或多个不同形状的数组时会采取广播机制。简单来讲，就是扩展其中的一个数组或同时扩展两个数组使得它们的形状相同，这样才能继续进行运算。

2.4.1 标量与一维数组

例如，标量 * 数组 这一运算中，就采取了广播机制：

a = np.array([1, 2, 3])
b = 2
print(a * b)
# [2 4 6]

在计算 A * b 时，Numpy会将 b 扩展成和 A 一样大小的数组再执行按元素运算（算术运算符是按元素运算的，而按元素运算需要两个数组的形状相同）：

对于上面的例子，我们也可以这样做：

a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(a * b)

它们的结果都一样，但使用广播机制无疑是更好的，因为广播机制占用更少的内存空间，并且使用起来更方便。

2.4.2 一维数组与二维数组

考虑 一维数组 + 二维数组 的情形，因为 + 是算术运算符，则需要按元素运算，但它们的形状并不相同，因此Numpy会采取广播机制：一维数组通过复制自身扩展成与二维数组形状相同的数组。

a = np.array([[0, 0, 0], 
			  [10, 10, 10], 
			  [20, 20, 20], 
			  [30, 30, 30]])
b = np.array([1, 2, 3])
print(a + b)
# [[ 1  2  3]
#  [11 12 13]
#  [21 22 23]
#  [31 32 33]]

具体广播过程如下：

这里的 b 是行向量，因此会沿行方向进行广播（即向下）；如果 b 是列向量，会沿列方向进行广播（即向右）。

a = np.array([[0, 0, 0], 
			  [10, 10, 10], 
			  [20, 20, 20], 
			  [30, 30, 30]])
b = np.array([[1], 
			  [2], 
			  [3], 
			  [4]])
print(a + b)
# [[ 1  1  1]
#  [12 12 12]
#  [23 23 23]
#  [34 34 34]]

具体示意图这里不再给出，请读者自行想象。

2.4.3 一维数组（列向量）与一维数组（行向量）

考虑 列向量 + 行向量 的情形，此时Numpy会同时广播两个数组，将其都扩展成二维数组后，再执行按元素相加。

a = np.array([[0],
			  [10],
			  [20],
			  [30]])
b = np.array([1, 2, 3])
print(a + b)
# [[ 1  2  3]
#  [11 12 13]
#  [21 22 23]
#  [31 32 33]]

具体广播过程如下：

2.4.4 广播规则

看到这里，可能会有读者疑惑，到底什么时候可以广播什么时候不能广播呢？

我们先作如下定义：

对于一个 N 维数组而言，它有 N 个轴。我们对该数组使用 shape 方法可以得到它的形状，且以元组形式呈现：$(a_1,a_2,\cdots ,a_N)$，为叙述方便起见，我们将其表示为

$$a_1\times a_2\times \cdots \times a_N\text{\hspace{1em}(A)}$$

例如对于一个 $5$ 行 $3$ 列的矩阵（二维数组），其形状就是 $5\times 3$。

现在考虑 M 维的数组（其中 $M<N$），其形状为

$$b_1\times b_2\times \cdots \times b_M$$

为保证右对齐后下标一致，我们假设 M 维数组的形状是

$$b_k\times \cdots \times b_N\text{\hspace{1em}(B)}$$

且应满足 $N-k+1=M$，即 $k=N-M+1\ge 2$.

现在我们将 $(B)$ 式排列在 $(A)$ 式的下方并执行右对齐，则有：

$$\begin{array}{rl}{a}_1\times a_2\times \cdots \times & a_k\times a_{k+1}\times \cdots \times a_N\\ & b_k\times b_{k+1}\times \cdots \times b_N\end{array}$$

我们这里再给出一个定义：$(a_i,b_i)$ 称为可兼容的，当且仅当 $a_i=b_i$ 或 $a_i$ 和 $b_i$ 中有一个为 $1$.

于是我们就得到了广播规则：若 $(a_i,b_i),k\le i\le N$ 均是可兼容的，则 M 维数组可以广播。

我们来通过几个例子巩固一下这个概念：

""" 可广播的 """
A      (4d array):  8 x 1 x 6 x 1
B      (3d array):      7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

A      (2d array):  5 x 4
B      (1d array):      1
Result (2d array):  5 x 4

A      (2d array):  5 x 4
B      (1d array):      4
Result (2d array):  5 x 4

A      (3d array):  15 x 3 x 5
B      (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 1
Result (3d array):  15 x 3 x 5

""" 不可广播的 """
A      (1d array):  3
B      (1d array):  4 

A      (2d array):      2 x 1
B      (3d array):  8 x 4 x 3 

当出现不可广播的情形，程序就会报错：ValueError: operands could not be broadcast together with shapes ...