我在这里查看了文档和其他问题，但似乎我还没有掌握 numpy 数组中子集的窍门。
我有一个数字数组，为了论证起见，让我们将其定义如下：
import numpy as np
a = np.arange(100)
a.shape = (10,10)
# array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
# [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
# [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
# [40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
# [50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
# [60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
# [70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
# [80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
# [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
现在我想选择由向量n1和n2指定的a行和列。举个例子：
n1 = range(5)
n2 = range(5)
但是当我使用：
b = a[n1,n2]
# array([ 0, 11, 22, 33, 44])
然后只选择前五对角线元素，而不是整个 5x5 块。我找到的解决方案是这样做：
b = a[n1,:]
b = b[:,n2]
# array([[ 0, 1, 2, 3, 4],
# [10, 11, 12, 13, 14],
# [20, 21, 22, 23, 24],
# [30, 31, 32, 33, 34],
# [40, 41, 42, 43, 44]])
但我相信应该有一种方法可以在一个命令中完成这个简单的任务。
你已经得到了一些关于如何做你想做的事的好例子。 但是，了解正在发生的事情以及为什么事情会以这种方式运作也很有用。有一些简单的规则可以在将来对您有所帮助。
"花哨"索引（即使用列表/序列）和"普通"索引（使用切片）之间存在很大差异。 根本原因与数组是否可以"定期跨步"有关，因此是否需要制作拷贝。因此，如果我们希望能够在不复制的情况下创建"视图"，则必须区别对待任意序列。
在您的情况下：
import numpy as np
a = np.arange(100).reshape(10,10)
n1, n2 = np.arange(5), np.arange(5)
# Not what you want
b = a[n1, n2] # array([ 0, 11, 22, 33, 44])
# What you want, but only for simple sequences
# Note that no copy of *a* is made!! This is a view.
b = a[:5, :5]
# What you want, but probably confusing at first. (Also, makes a copy.)
# np.meshgrid and np.ix_ are basically equivalent to this.
b = a[n1[:,None], n2[None,:]]
使用一维序列进行花式索引基本上等同于将它们压缩在一起并使用结果进行索引。
print "Fancy Indexing:"
print a[n1, n2]
print "Manual indexing:"
for i, j in zip(n1, n2):
print a[i, j]
但是，如果要编制索引的序列与要编制索引的数组的维度匹配（在本例中为 2D），则索引的处理方式不同。 numpy 不是"将两者压缩在一起"，而是像掩码一样使用索引。
换句话说，a[[[1, 2, 3]], [[1],[2],[3]]]的处理方式与a[[1, 2, 3], [1, 2, 3]]完全不同，因为你传入的序列/数组是二维的。
In [4]: a[[[1, 2, 3]], [[1],[2],[3]]]
Out[4]:
array([[11, 21, 31],
[12, 22, 32],
[13, 23, 33]])
In [5]: a[[1, 2, 3], [1, 2, 3]]
Out[5]: array([11, 22, 33])
更准确地说，
a[[[1, 2, 3]], [[1],[2],[3]]]
处理方式与以下内容完全相同：
i = [[1, 1, 1],
[2, 2, 2],
[3, 3, 3]])
j = [[1, 2, 3],
[1, 2, 3],
[1, 2, 3]]
a[i, j]
换句话说，输入是否为行/列向量是索引中索引应如何重复的简写。
np.meshgrid和np.ix_只是将 1D 序列转换为 2D 版本以进行索引的便捷方法：
In [6]: np.ix_([1, 2, 3], [1, 2, 3])
Out[6]:
(array([[1],
[2],
[3]]), array([[1, 2, 3]]))
类似地（sparse参数将使其与上面的ix_相同）：
In [7]: np.meshgrid([1, 2, 3], [1, 2, 3], indexing='ij')
Out[7]:
[array([[1, 1, 1],
[2, 2, 2],
[3, 3, 3]]),
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])]
构建所需索引的另一种快速方法是使用 np.ix_ 函数：
>>> a[np.ix_([n1, n2])]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
这提供了一种从索引序列构建开放网格的便捷方法。
np.meshgrid为n1、n2数组提供适当的形状以执行所需的索引：
In [104]: a[np.meshgrid(n1,n2, sparse=True, indexing='ij')]
Out[104]:
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
或者，没有网格：
In [117]: a[np.array(n1)[:,np.newaxis], np.array(n2)[np.newaxis,:]]
Out[117]:
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
有一个类似的示例，其中解释了此整数数组索引的工作原理。
另请参阅食谱挑选行和列。
我设法拉的一个很好的技巧（仅适用于懒惰的人）是过滤器 + 转置 + 过滤器。
a = np.arange(100).reshape(10,10)
subsetA = [1,3,5,7]
a[subsetA].T[subsetA]
array([[11, 31, 51, 71],
[13, 33, 53, 73],
[15, 35, 55, 75],
[17, 37, 57, 77]])
似乎您的特定问题的用例将处理图像处理。如果您使用示例来编辑由图像产生的 numpy 数组，则可以使用 Python 映像库 （PIL）。
# Import Pillow:
from PIL import Image
# Load the original image:
img = Image.open("flowers.jpg")
# Crop the image
img2 = img.crop((0, 0, 5, 5))
img2 对象是生成的裁剪图像的 numpy 数组。
您可以使用 Pillow 包（PIL 包上的用户友好分支）在此处阅读有关图像处理的更多信息：