数据类型 intp 有什么用？

Question

数据类型intp见下表：

另外，索引是什么意思？

Answer 1

整数数组索引

整数数组索引允许根据它们的 N 维索引选择数组中的任意项。每个整数数组表示该维度的多个索引。 纯整数数组索引

当索引由与被索引数组的维度一样多的整数数组组成时，索引是直截了当的，但与切片不同。

高级索引总是作为一个广播和迭代：

result[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M],
                           ..., ind_N[i_1, ..., i_M]]

请注意，结果形状与（广播）索引数组形状 ind_1、...、ind_N 相同。

例子

应从每一行中选择一个特定元素。行索引只是 [0, 1, 2]，列索引指定要为相应行选择的元素，这里是 [0, 1, 0]。将两者结合使用，可以使用高级索引来解决任务：

x = np.array([[1, 2], [3, 4], [5, 6]])

x[[0, 1, 2], [0, 1, 0]]
array([1, 4, 5])

要实现类似于上述基本切片的行为，可以使用广播。函数 ix_ 可以帮助进行这种广播。最好通过一个例子来理解这一点。

例子

应使用高级索引从 4x3 数组中选择角元素。因此，需要选择列是 [0, 2] 之一并且行是 [0, 3] 之一的所有元素。要使用高级索引，需要明确选择所有元素。使用前面解释的方法可以这样写：

x = np.array([[ 0,  1,  2],

              [ 3,  4,  5],

              [ 6,  7,  8],

              [ 9, 10, 11]])

rows = np.array([[0, 0],

                 [3, 3]], dtype=np.intp)

columns = np.array([[0, 2],

                    [0, 2]], dtype=np.intp)

x[rows, columns]
array([[ 0,  2],
       [ 9, 11]])

但是，由于上面的索引数组只是重复自己，因此可以使用广播（比较诸如 rows[:, np.newaxis] + columns 之类的操作）来简化这一点：

rows = np.array([0, 3], dtype=np.intp)

columns = np.array([0, 2], dtype=np.intp)

rows[:, np.newaxis]
array([[0],
       [3]])

x[rows[:, np.newaxis], columns]
array([[ 0,  2],
       [ 9, 11]])

这种广播也可以使用函数ix_来实现：

x[np.ix_(rows, columns)]
array([[ 0,  2],
       [ 9, 11]])

请注意，如果没有 np.ix_ 调用，则只会选择对角线元素，就像前面示例中使用的那样。这种差异是使用多个高级索引进行索引时要记住的最重要的事情。

请阅读。

参考号：https://numpy.org/doc/stable/reference/arrays.indexing.html