如何访问NumPy多维数组的第i列？

假设我有：

test = numpy.array([[1, 2], [3, 4], [5, 6]])

test[i]使我得到数组的第i行（例如[1, 2]）。如何访问第ith列？（例如[1, 3, 5]）。另外，这将是一项昂贵的操作吗？

>>> test[:,0]
array([1, 3, 5])

同样，

>>> test[1,:]
array([3, 4])

使您可以访问行。NumPy参考资料的第1.4节（索引）对此进行了介绍。这很快，至少以我的经验而言。它肯定比循环访问每个元素要快得多。

如果您想一次访问多个列，则可以执行以下操作：

>>> test = np.arange(9).reshape((3,3))
>>> test
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> test[:,[0,2]]
array([[0, 2],
       [3, 5],
       [6, 8]])

>>> test[:,0]
array([1, 3, 5])

该命令为您提供了行向量，如果您只想在其上循环，就可以了，但是如果您要与其他尺寸为3xN的数组进行堆叠，则可以

ValueError: all the input arrays must have same number of dimensions

而

>>> test[:,[0]]
array([[1],
       [3],
       [5]])

为您提供列向量，以便您可以进行串联或hstack操作。

例如

>>> np.hstack((test, test[:,[0]]))
array([[1, 2, 1],
       [3, 4, 3],
       [5, 6, 5]])

您还可以转置并返回一行：

In [4]: test.T[0]
Out[4]: array([1, 3, 5])

要获得几个独立的列，只需：

> test[:,[0,2]]

你会得到第0列和第2列

尽管问题已得到回答，但让我提及一些细微差别。

假设您对数组的第一列感兴趣

arr = numpy.array([[1, 2],
                   [3, 4],
                   [5, 6]])

从其他答案中已经知道，要以“行向量”（shape的数组(3,)）的形式获取它，可以使用切片：

arr_c1_ref = arr[:, 1]  # creates a reference to the 1st column of the arr
arr_c1_copy = arr[:, 1].copy()  # creates a copy of the 1st column of the arr

要检查一个数组是视图还是另一个数组的副本，可以执行以下操作：

arr_c1_ref.base is arr  # True
arr_c1_copy.base is arr  # False

参见ndarray.base。

除了两者之间的明显区别（修改arr_c1_ref将影响arr），遍历它们中每一个的字节步数也不同：

arr_c1_ref.strides[0]  # 8 bytes
arr_c1_copy.strides[0]  # 4 bytes

看大步。为什么这很重要？假设您有一个很大的数组，A而不是arr：

A = np.random.randint(2, size=(10000,10000), dtype='int32')
A_c1_ref = A[:, 1] 
A_c1_copy = A[:, 1].copy()

并且您要计算第一列的所有元素的总和，即A_c1_ref.sum()或A_c1_copy.sum()。使用复制的版本要快得多：

%timeit A_c1_ref.sum()  # ~248 µs
%timeit A_c1_copy.sum()  # ~12.8 µs

这是由于前面提到的跨步数不同：

A_c1_ref.strides[0]  # 40000 bytes
A_c1_copy.strides[0]  # 4 bytes

尽管使用列副本似乎更好，但由于创建副本需要时间并使用更多的内存（在这种情况下，我花了大约200 µs的时间来创建副本）并不总是正确的。 A_c1_copy）。但是，如果我们首先需要复制，或者需要在数组的特定列上执行许多不同的操作，并且可以牺牲内存以提高速度，那么复制就可以了。

如果我们有兴趣主要使用列，最好以列大（'F'）顺序而不是行大（'C'）顺序创建数组（这是默认设置） ），然后像以前一样进行切片以获取一列而不复制它：

A = np.asfortranarray(A)  # or np.array(A, order='F')
A_c1_ref = A[:, 1]
A_c1_ref.strides[0]  # 4 bytes
%timeit A_c1_ref.sum()  # ~12.6 µs vs ~248 µs

现在，在列视图上执行求和运算（或其他任何运算）要快得多。

最后，让我注意到，转置数组并使用行切片与在原始数组上使用列切片相同，因为转置是通过交换原始数组的形状和步幅来完成的。

A.T[1,:].strides[0]  # 40000

>>> test
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

>>> ncol = test.shape[1]
>>> ncol
5L

然后，您可以通过以下方式选择第二至第四列：

>>> test[0:, 1:(ncol - 1)]
array([[1, 2, 3],
       [6, 7, 8]])