多维数组操作

多维数组核心操作：多维切片、布尔掩码条件索引与矩阵转置精讲

小象实战讲义 · Python数据分析实战

在数据分析与清洗流程中，我们绝大部分时间都在对多维数据进行切片筛选、子集提取以及维度转换。与 Python 原生列表繁琐的多重括号切片不同，NumPy 为多维数组提供了极其优雅高效的逗号分隔多维坐标索引语法。更强大的是，NumPy 支持使用布尔掩码（Boolean Masking）进行复杂的业务逻辑条件过滤，以及毫秒级的轴向转置（Transpose）。本节我们将系统攻克多维数组的精准切片、逻辑组合筛选与矩阵轴交换技术。

💡 核心导读

• 多维切片与坐标索引标准范式：
  • arr[r1:r2, c1:c2]：行与列双轴切片语法（优于低效的 arr[r][c] 链式索引）；
  • 全切片冒号 : 的占位作用：arr[:, 0]（提取全量行的第 0 列）、arr[1, :]（提取第 1 行全量数据）。
• 布尔条件索引（Boolean Indexing）与位运算逻辑：
  • 条件表达式生成布尔掩码矩阵；
  • 多条件复合过滤：必须使用 &（与）、|（或）、~（非），严禁使用 Python 关键字 and / or；
  • np.where(condition, x, y)：三元条件替换神技。
• 矩阵转置与轴交换：
  • .T 属性：快速交换行与列；
  • np.transpose() 与 np.swapaxes()：高维张量轴向自由重排。

1. 多维切片与布尔索引语法规范

┌─────────────────────────────────────────────────────────────┐
│                    NumPy 多维切片几何模型                   │
├─────────────────────────────────────────────────────────────┤
│ 矩阵切片: arr[0:2, 1:3]                                     │
│               Col 0     Col 1     Col 2     Col 3           │
│   Row 0  :   [ 10,     [ 20,       30 ],     40  ]          │
│   Row 1  :   [ 50,     [ 60,       70 ],     80  ] ◄── 选中 │
│   Row 2  :   [ 90,       100,      110,      120 ]          │
└─────────────────────────────────────────────────────────────┘

1.1 为什么多条件组合必须用 & 和 |？

• Python 的 and 和 or 运算符会对整个数组对象求布尔真值（引发 ValueError: The truth value of an array with more than one element is ambiguous）；
• 而 & 和 | 是逐位（Element-wise）运算，能够对布尔数组中的每一个对应元素执行逐项逻辑与、逻辑或运算。注意：每个子条件必须用小括号 () 括起来，以避免运算符优先级错乱。

2. Python 代码实战：切片、布尔过滤与转置

# 示例 1：二维矩阵的高级切片与子矩阵提取

import numpy as np

# 创建 4 行 5 列的测试数据矩阵
data_mat = np.arange(10, 30).reshape((4, 5))
print("=== 1. 原始 4x5 矩阵 ===")
print(data_mat)

# 1. 提取单个元素 (对比 arr[1, 2] 与 arr[1][2])
print("\n• 第 1 行第 2 列元素 (arr[1, 2]):", data_mat[1, 2])

# 2. 提取连续子矩阵 (前 2 行，第 1 到 3 列)
sub_mat = data_mat[0:2, 1:4]
print("• 子矩阵切片 [0:2, 1:4]:\n", sub_mat)

# 3. 提取整行与整列
first_row = data_mat[0, :]      # 提取第 0 行所有列
second_col = data_mat[:, 1]     # 提取第 1 列所有行
print("• 提取第 0 行 (向量):", first_row)
print("• 提取第 1 列 (向量):", second_col)

# 4. 步长切片：隔行、隔列提取
stride_mat = data_mat[::2, ::2]
print("• 隔行隔列切片 [::2, ::2]:\n", stride_mat)

接下来，我们演示利用布尔掩码与 np.where 进行多条件数据筛选与异常值修正：

# 示例 2：布尔掩码条件索引、复合逻辑与 np.where 三元替换

# 1. 单条件筛选：提取矩阵中所有大于 20 的元素
mask_gt_20 = data_mat > 20
print("\n=== 2. 布尔掩码条件索引 ===")
print("布尔掩码矩阵 (data_mat > 20):\n", mask_gt_20)
print("提取大于 20 的所有元素 (降为 1 维):", data_mat[mask_gt_20])

# 2. 多条件复合筛选：筛选大于 15 且小于 25 的偶数
# 注意：多个条件必须加小括号，并使用 &
complex_mask = (data_mat > 15) & (data_mat < 25) & (data_mat % 2 == 0)
print("• 复合条件 (15 < val < 25 且为偶数):", data_mat[complex_mask])

# 3. np.where 三元替换神技：将所有小于 15 的数值标记为 -1，其余保持不变
clipped_data = np.where(data_mat < 15, -1, data_mat)
print("\n• np.where 阈值截断效果 (<15 替换为 -1):\n", clipped_data)

# 4. 矩阵转置 (Transpose) 与轴交换
print("\n=== 3. 矩阵转置与轴向变换 ===")
print("原始矩阵形状:", data_mat.shape)
transposed_mat = data_mat.T # 或 np.transpose(data_mat)
print("转置后矩阵形状 (4x5 -> 5x4):\n", transposed_mat)

📝 动手练一练

1. 语法纠错题：以下代码试图筛选数组 arr 中大于 5 且小于 10 的所有元素：res = arr[arr > 5 and arr < 10]。这段代码运行时会发生什么？请给出正确写法。

   👉 点击查看参考答案

   参考答案： ① 报错分析：代码会抛出 ValueError，因为 Python 原生关键字 and 无法处理多元素的布尔数组； ② 正确写法：必须使用位运算符 & 并将各个子条件用小括号括起来：

   res = arr[(arr > 5) & (arr < 10)]

2. 编程练习：给定一个 3 行 3 列的随机整数矩阵，请编写代码将其对角线上的元素全部替换为 0。

   👉 点击查看参考答案

   参考答案：

   import numpy as np
   
   mat = np.random.randint(10, 99, size=(3, 3))
   print("原始矩阵:\n", mat)
   
   # 方式：使用 np.fill_diagonal 或索引坐标
   np.fill_diagonal(mat, 0)
   print("对角线置 0 后:\n", mat)

本章小结

在本节中，我们全面攻克了多维数组操作的核心利器：

• 掌握了基于逗号分隔的多维切片标准语法 arr[r1:r2, c1:c2]；
• 深入掌握了使用 &、|、~ 构建复杂布尔掩码与 np.where 条件赋值的高级技巧；
• 掌握了 .T 与 np.transpose() 矩阵转置的物理意义与维度变换。

📋 行动清单

• 牢记布尔多条件必须加小括号与使用 & / | 的规则。
• 做好准备，进入下一小节学习《NumPy 常用聚合统计方法与轴向计算》！

—— 小象教研组