方法＃1modulus
a[np.mod(np.arange(a.size),4)!=0]
样品运行-
In [255]: aOut[255]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [256]: a[np.mod(np.arange(a.size),4)!=0]Out[256]: array([1, 2, 3, 5, 6, 7, 9])
方法2masking
：view
考虑到视图的需求，如果要节省内存，我们可以存储等效的布尔数组，该数组将
8在Linux系统上占用更少的内存。因此，这种基于掩码的方法将像这样-
# Create maskmask = np.ones(a.size, dtype=bool)mask[::4] = 0
这是内存需求统计信息-
In [311]: mask.itemsizeOut[311]: 1In [312]: a.itemsizeOut[312]: 8
然后，我们可以使用布尔索引作为视图-
In [313]: aOut[313]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [314]: a[mask] = 10In [315]: aOut[315]: array([ 0, 10, 10, 10, 4, 10, 10, 10, 8, 10])
方法＃3的NumPy array strides
要求：view
np.lib.stride_tricks.as_strided给定输入数组的长度是的倍数，您可以用来创建这样的视图
n。如果不是倍数，它仍然可以工作，但不是安全的做法，因为我们将超出为输入数组分配的内存。请注意，这样创建的视图将是
2D。
因此，获得这种观点的实现将是-
def skipped_view(a, n): s = a.strides[0] strided = np.lib.stride_tricks.as_strided return strided(a,shape=((a.size+n-1)//n,n),strides=(n*s,s))[:,1:]
样品运行-
In [50]: a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) # Input arrayIn [51]: a_out = skipped_view(a, 4)In [52]: a_outOut[52]: array([[ 1, 2, 3], [ 5, 6, 7], [ 9, 10, 11]])In [53]: a_out[:] = 100 # Let's prove output is a view indeedIn [54]: aOut[54]: array([ 0, 100, 100, 100, 4, 100, 100, 100, 8, 100, 100, 100])
