如果一個ndarray是非元組序列，資料型別為整數或布林值的ndarray，或者至少一個元素為序列物件的元組，我們就能夠用它來索引ndarray。高階索引始終返回資料的副本。 與此相反，切片只提供了一個檢視。
有兩種型別的高階索引：整數和布林值。
這種機制有助於基於 N 維索引來獲取陣列中任意元素。 每個整數陣列表示該維度的下標值。 當索引的元素個數就是目標ndarray的維度時，會變得相當直接。
以下範例獲取了ndarray物件中每一行指定列的一個元素。 因此，行索引包含所有行號，列索引指定要選擇的元素。
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print y
輸出如下：
[1 4 5]
該結果包括陣列中(0,0)，(1,1)和(2,0)位置處的元素。
下面的範例獲取了 4X3 陣列中的每個角處的元素。 行索引是[0,0]和[3,3]，而列索引是[0,2]和[0,2]。
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print '我們的陣列是：'
print x
print '\n'
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print '這個陣列的每個角處的元素是：'
print y
輸出如下：
我們的陣列是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
這個陣列的每個角處的元素是：
[[ 0 2]
[ 9 11]]
返回的結果是包含每個角元素的ndarray物件。
高階和基本索引可以通過使用切片:或省略號...與索引陣列組合。 以下範例使用slice作為列索引和高階索引。 當切片用於兩者時，結果是相同的。 但高階索引會導致複製，並且可能有不同的記憶體布局。
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print '我們的陣列是：'
print x
print '\n'
# 切片
z = x[1:4,1:3]
print '切片之後，我們的陣列變為：'
print z
print '\n'
# 對列使用高階索引
y = x[1:4,[1,2]]
print '對列使用高階索引來切片：'
print y
輸出如下：
我們的陣列是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
切片之後，我們的陣列變為：
[[ 4 5]
[ 7 8]
[10 11]]
對列使用高階索引來切片：
[[ 4 5]
[ 7 8]
[10 11]]
當結果物件是布林運算(例如比較運算子)的結果時，將使用此型別的高階索引。
這個例子中，大於 5 的元素會作為布林索引的結果返回。
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print '我們的陣列是：'
print x
print '\n'
# 現在我們會列印出大於 5 的元素
print '大於 5 的元素是：'
print x[x > 5]
輸出如下：
我們的陣列是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
大於 5 的元素是：
[ 6 7 8 9 10 11]
這個例子使用了~(取補運算子)來過濾NaN。
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print a[~np.isnan(a)]
輸出如下：
[ 1. 2. 3. 4. 5.]
以下範例顯示如何從陣列中過濾掉非複數元素。
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print a[np.iscomplex(a)]
輸出如下：
[2.0+6.j 3.5+5.j]