对一维数组来说，NumPy数组的索引切片与Python列表的功能差不多：
>>> arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> arr[3]
3
>>> arr[2:6]
array([2, 3, 4, 5])
>>> arr[3:]
array([3, 4, 5, 6, 7, 8, 9])
但是，特别注意的是，如果要将一个标量值赋值给一个切片，这个修改会直接反映到源数组上(即使你已经新建了一个变量来保存)，NumPy数组切片是原始数组的视图。
>>> arr_temp = arr[4:6]
>>> arr_temp
array([4, 5])
>>> arr_temp[1]=7
>>> arr
array([0, 1, 2, 3, 4, 7, 6, 7, 8, 9])
因为NumPy设计的目的是处理大数据，所以如果要不断复制数据的话会带来巨大的性能和内存问题。因此，NumPy选择所有切片都使用初始视图来提高效率。
对高维数组，可以对各个元素进行递归访问。为了方便，可以传入以逗号隔开的索引列表来选取：
>>> arr2=np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> arr2[1]
array([4, 5, 6])
>>> arr2[1][1]
5
>>> arr2[1,1]
5
再比如这个：
>>> arr2[1:,2]
array([6, 9])
前一个1:表示从索引1到结尾，即[[4,5,6],[7,8,9]]，后一个2是下一个维度的索引2，即6,9，因此返回了[6,9]。
除了基本的索引，还有一种叫花式索引的操作，指的是利用整数数组进行索引。花式索引与切片不同，会把数据复制到新数组中。