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

这个命令给了你一个行向量，如果你只是想循环遍历它，这是可以的，但如果你想hstack其他一些维度为3xN的数组，你会有

ValueError:所有输入数组的维数必须相同

而

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

给你一个列向量，这样你就可以做连接或hstack操作。

e.g.

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

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

这个命令给了你一个行向量，如果你只是想循环遍历它，这是可以的，但如果你想hstack其他一些维度为3xN的数组，你会有

ValueError:所有输入数组的维数必须相同

而

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

给你一个列向量，这样你就可以做连接或hstack操作。

e.g.

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

如果你想一次访问多个列，你可以这样做:

>>> 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]])

虽然这个问题已经得到了回答，但让我提一下一些细微差别。

假设你对数组的第一列感兴趣

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

正如你已经从其他答案中知道的那样，要以“行向量”(shape(3，)数组)的形式得到它，你使用切片:

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

要检查一个数组是否是另一个数组的视图或副本，您可以执行以下操作:

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

看到ndarray.base。

除了两者之间的明显差异(修改arr_col1_view将影响arr)之外，遍历它们的字节步数也是不同的:

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

看大步和这个答案。

为什么这很重要?假设你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()

并且您希望计算第一列所有元素的和，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不同的步幅:

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

虽然使用列复制似乎更好，但这并不总是正确的，因为复制也需要时间并使用更多内存(在这种情况下，它花费了我大约。200µs来创建A_col1_copy)。然而，如果我们首先需要副本，或者我们需要对数组的特定列做许多不同的操作，并且我们可以牺牲内存来换取速度，那么创建副本是可行的方法。

在我们主要对列感兴趣的情况下，以列为主('F')的顺序而不是行为主('C')的顺序(这是默认的)创建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个列而不复制它:

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)与在列复制上执行求和操作一样快。

最后，让我注意一下，转置一个数组并使用行切片与在原始数组上使用列切片是一样的，因为转置是通过交换原始数组的形状和步长来完成的。

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

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

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

然后你可以这样选择第2 - 4列:

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