嗯，有点晚了……

如果性能很重要，你的数据是矩形的，你也可以将它存储在一维中，并通过常规切片访问列，例如. ...

A = [[1,2,3,4],[5,6,7,8]]     #< assume this 4x2-matrix
B = reduce( operator.add, A ) #< get it one-dimensional

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx::dimX]

def row1d( matrix, dimX, rowIdx ):
  return matrix[rowIdx:rowIdx+dimX] 

>>> column1d( B, 4, 1 )
[2, 6]
>>> row1d( B, 4, 1 )
[2, 3, 4, 5]

巧妙的是，这真的很快。然而，负索引在这里不起作用!所以你不能通过索引-1访问最后一列或最后一行。

如果您需要负索引，您可以稍微调整访问函数，例如。

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx % dimX::dimX]

def row1d( matrix, dimX, dimY, rowIdx ):
  rowIdx = (rowIdx % dimY) * dimX
  return matrix[rowIdx:rowIdx+dimX]

如果你有一个数组

a = [[1, 2], [2, 3], [3, 4]]

然后像这样提取第一列:

[row[0] for row in a]

结果是这样的:

[1, 2, 3]

点击这里查看详情！

a = [[1, 2], [2, 3], [3, 4]]
a2 = zip(*a)
a2[0]

它和上面的是一样的，只是它更整洁一些 zip可以完成这项工作，但需要单个数组作为参数，*a语法将多维数组解压缩为单个数组参数

我认为你想从一个数组中提取一个列，比如下面的数组

import numpy as np
A = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

现在如果你想要得到格式中的第三列

D=array[[3],
[7],
[11]]

然后你需要首先把数组变成一个矩阵

B=np.asmatrix(A)
C=B[:,2]
D=asarray(C)

现在你可以做基于元素的计算就像你在excel中做的一样。

尽管使用zip(*iterable)来转置一个嵌套列表，如果嵌套列表的长度不同，你也可以使用以下方法:

map(None, *[(1,2,3,), (4,5,), (6,)])

结果:

[(1, 4, 6), (2, 5, None), (3, None, None)]

第一列如下:

map(None, *[(1,2,3,), (4,5,), (6,)])[0]
#>(1, 4, 6)

如果你在Python中有一个二维数组(不是numpy)，你可以像这样提取所有的列，

data = [
['a', 1, 2], 
['b', 3, 4], 
['c', 5, 6]
]

columns = list(zip(*data))

print("column[0] = {}".format(columns[0]))
print("column[1] = {}".format(columns[1]))
print("column[2] = {}".format(columns[2]))

执行这段代码会得到，

>>> print("column[0] = {}".format(columns[0]))
column[0] = ('a', 'b', 'c')

>>> print("column[1] = {}".format(columns[1]))
column[1] = (1, 3, 5)

>>> print("column[2] = {}".format(columns[2]))
column[2] = (2, 4, 6)