NumPy作为Python生态中核心的数值计算库，提供了多种索引方式，其中高级索引可以满足复杂的数据提取需求。基于行索引向量对高维数组按列动态切片是高级索引的典型应用场景，能够大幅提升数据处理的灵活性。
核心原理说明
NumPy的高级索引分为整数数组索引和布尔索引两种，这里使用的是整数数组索引。当我们需要从高维数组中按行提取不同位置的列数据时，可以通过传入行索引数组和列索引数组的组合，直接定位到目标元素。对于高维数组来说，行索引向量会对应每个维度中需要选取的索引位置，结合列维度的动态索引，就能实现按列动态切片的效果。
实现步骤拆解
- 首先确定目标高维数组的形状，明确行维度和列维度的位置
- 构造行索引向量，长度需要和需要提取的样本数量一致
- 构造列索引向量或者列切片规则，确定每个行索引对应的列范围
- 使用NumPy的高级索引语法组合行索引和列索引，提取目标数据
代码示例演示
下面以三维数组为例，演示如何基于行索引向量对高维数组按列动态切片，三维数组的形状为(样本数, 行数, 列数)，我们需要为每个样本提取对应行索引位置的指定列数据。
import numpy as np
# 构造三维测试数组，形状为(2个样本, 3行, 4列)
arr = np.array([
[[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]
])
print("原始数组形状:", arr.shape)
print("原始数组内容:")
print(arr)
# 定义行索引向量，第一个样本取第0行，第二个样本取第2行
row_indices = np.array([0, 2])
# 定义列切片规则，取所有列（也可以根据需要调整为指定列索引，比如np.array([0,1,2])）
col_indices = np.arange(4)
# 使用高级索引提取数据
# 第一个维度是样本维度，分别取0和1；第二个维度用行索引向量；第三个维度用列索引
result = arr[np.arange(arr.shape[0]), row_indices, col_indices]
print("提取结果形状:", result.shape)
print("提取结果内容:")
print(result)
结果说明
上述代码的输出如下：
原始数组形状: (2, 3, 4) 原始数组内容: [[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]] 提取结果形状: (2, 4) 提取结果内容: [[ 1 2 3 4] [21 22 23 24]]
可以看到，第一个样本提取了第0行的全部列数据，第二个样本提取了第2行的全部列数据，完全符合基于行索引向量动态按列切片的需求。如果需要提取不同的列范围，只需要修改col_indices的内容即可，比如将col_indices设置为np.array([1,2])，就会只提取每个目标行的第1列和第2列数据。
注意事项
- 行索引向量和列索引向量的长度必须匹配，否则会抛出索引错误
- 索引值不能超过数组对应维度的最大索引，否则会报索引越界错误
- 高级索引返回的是数据的副本，而不是原数组的视图，修改返回结果不会影响原始数组