方法＃1modulus

a[np.mod(np.arange(a.size),4)!=0]

样品运行-

In [255]: a
Out[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 mask
mask = np.ones(a.size, dtype=bool)
mask[::4] = 0

这是内存需求统计信息-

In [311]: mask.itemsize
Out[311]: 1

In [312]: a.itemsize
Out[312]: 8

然后，我们可以使用布尔索引作为视图-

In [313]: a
Out[313]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [314]: a[mask] = 10

In [315]: a
Out[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 array

In [51]: a_out = skipped_view(a, 4)

In [52]: a_out
Out[52]: 
array([[ 1,  2,  3],
       [ 5,  6,  7],
       [ 9, 10, 11]])

In [53]: a_out[:] = 100 # Let's prove output is a view indeed

In [54]: a
Out[54]: array([  0, 100, 100, 100,   4, 100, 100, 100,   8, 100, 100, 100])