Question

numpy数组支持同Python列表一致的索引[i]和切片[i:j]操作。此外，数组还能实现布尔索引：可以使用布尔值数组作为索引，其结果是原始数组中布尔索引为True的项构成的数组。通常，布尔数组是广播的结果。布尔索引既可以在右侧（用于选择），也可以在左侧（用于分配）。

假设我们从数据提供者处得知，脏数据集中的所有数据都是非负数。这就意味着任何负数都不是真实值，而是错误值，必须将其替换为更有意义的数（比如零），这样的操作被称为数据清洗。由此可见，要清除脏数据，首先需要找出有问题的值，然后运用合理的替代方式替换它们。

   dirty = np.array([9, 4, 1, -0.01, -0.02, -0.001])
   whos_dirty = dirty < 0 # 这是一个布尔数组，可以作为布尔索引来使用

➾ array([False, False, False, True, True, True], dtype=bool)

   dirty[whos_dirty] = 0 # 将所有的负值设置为0

➾ array([9, 4, 1, 0, 0, 0])

可以将多个布尔表达式与以下运算符组合使用：|（逻辑或）、&（逻辑与）以及-（逻辑非）。如果想知道以下列表中哪些项目介于-0.5和0.5之间，直接“问”numpy吧！

   linear = np.arange(-1, 1.1, 0.2)
   (linear <= 0.5) & (linear >= -0.5)

➾ array([False, False, False, True, True, True, True, True, False,
➾        False, False], dtype=bool)

　两种布尔运算

关系运算符（例如<和==）的优先级低于位运算符&、|和!，它们是作用在numpy数组上的“布尔”运算符。这常常令人感到困惑，因为“正常的”Python布尔运算符（or、and和not）的优先级是比关系运算符还低的。为了确保numpy数组的布尔运算能首先运行，必须将其包含在括号中。

numpy数组的另一个很酷的特性是“智能”索引和“智能”切片，其中索引不是一个标量，而是一个数组或索引列表。其结果是索引对应的项组成的数组。下面我们从之前建立的S&P列表中选出第二个、第三个和最后一个股票代码（这就是所谓的“智能”索引）。

   sap[[1, 2, -1]]

➾ array(['ABT', 'BBV', 'ADT'],
➾       dtype='<U4')

有时候你可能会想：为什么不从重构的数组中提取中间列的所有行呢？（这就是所谓的“智能”切片。）有如下两种实现方法：

   sap2d[:, [1]]

➾ array([['ABT'],
➾        ['ATVI']],
➾       dtype='<U4')

   sap2d[:, 1]

➾ array(['ABT', 'ATVI'],
➾       dtype='<U4')

Python针对一个问题会提供多种相似的工具，这是极好的，但是一定要小心不要选错工具。仔细对比前面挑选出的两个数组可以发现，第一个是二维矩阵，而第二个是一维数组。结合你的需求，肯定只能选择其中之一。因此，在刚开始使用Python时，有必要检查一下结果，确保它真的就是你想要的。