如何访问 NumPy 多维数组的第 i 列？

要访问第 0 列：

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

要访问第 0 行：

>>> test[0, :]
array([1, 2])

NumPy reference 的第 1.4 节（索引）对此进行了介绍。这很快，至少在我的经验中。这肯定比在循环中访问每个元素要快得多。

---

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

这个命令给你一个行向量，如果你只是想循环它，没关系，但如果你想与其他维度为 3xN 的数组进行 hstack，你将拥有

ValueError：所有输入数组必须具有相同的维数

尽管

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

为您提供列向量，以便您可以进行连接或 hstack 操作。

例如

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

---

如果您想一次访问多个列，您可以这样做：

>>> 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]])

---

您还可以转置并返回一行：

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

---

虽然这个问题已经回答了，但让我提一些细微差别。

假设您对数组的第一列感兴趣

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

正如您从其他答案中已经知道的那样，要以“行向量”（形状 (3,) 的数组）的形式获取它，您可以使用切片：

arr_col1_view = arr[:, 1]         # creates a view of the 1st column of the arr
arr_col1_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，您可以执行以下操作：

arr_col1_view.base is arr  # True
arr_col1_copy.base is arr  # False

见ndarray.base。

除了两者之间的明显区别（修改 arr_col1_view 会影响 arr）之外，遍历它们的字节步数是不同的：

arr_col1_view.strides[0]  # 8 bytes
arr_col1_copy.strides[0]  # 4 bytes

请参阅 strides 和此 answer。

为什么这很重要？假设您有一个非常大的数组 A 而不是 arr：

A = np.random.randint(2, size=(10000, 10000), dtype='int32')
A_col1_view = A[:, 1] 
A_col1_copy = A[:, 1].copy()

并且您想要计算第一列的所有元素的总和，即 A_col1_view.sum() 或 A_col1_copy.sum()。使用复制的版本要快得多：

%timeit A_col1_view.sum()  # ~248 µs
%timeit A_col1_copy.sum()  # ~12.8 µs

这是由于前面提到的步数不同：

A_col1_view.strides[0]  # 40000 bytes
A_col1_copy.strides[0]  # 4 bytes

尽管使用列副本似乎更好，但并非总是如此，因为制作副本也需要时间并使用更多内存（在这种情况下，我花了大约 200 微秒来创建 A_col1_copy）。但是，如果我们首先需要副本，或者我们需要对数组的特定列执行许多不同的操作，并且我们可以牺牲内存来提高速度，那么制作副本是可行的方法。

在我们对主要使用列感兴趣的情况下，以列优先 ('F') 顺序而不是行优先 ('C') 顺序（这是默认值）创建我们的数组可能是一个好主意，然后像以前一样进行切片以获得一列而不复制它：

A = np.asfortranarray(A)   # or np.array(A, order='F')
A_col1_view = A[:, 1]
A_col1_view.strides[0]     # 4 bytes

%timeit A_col1_view.sum()  # ~12.6 µs vs ~248 µs

现在，在列视图上执行求和操作（或任何其他操作）与在列副本上执行它一样快。

最后让我注意，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[:, 1].strides[0]    # 40000 bytes
A.T[1, :].strides[0]  # 40000 bytes

---

要获得多个独立的列，只需：

> test[:,[0,2]]

您将获得第 0 列和第 2 列

---

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

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

然后您可以通过这种方式选择第 2 - 4 列：

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

---

这不是多维的。它是二维数组。您要访问所需列的位置。

test = numpy.array([[1, 2], [3, 4], [5, 6]])
test[:, a:b]  # you can provide index in place of a and b

---