我有一段numpy代码我知道可以工作。我知道这一点,因为我已经在我的通用案例中成功地进行了测试。然而,经过两个小时的反复参考文档和反复试验,我终于找到了解决方案。我无法理解我是如何凭直觉知道要做这个
设置:
a = np.zeros((5,5,3))
目标:设置为1的指标0,1的轴1,0,1的轴2,所有轴3和指标3,4的轴1,3,4的轴2,所有轴3
更清晰的目标:设置block 1和block 2的前两行为1,block 3和block 4的后两行为1
结果:
ax1 =np.array([np.array([0,1]),np.array([3,4])])
ax1 =np.array([x[:,np.newaxis] for x in ax1])
ax2 = np.array([[[0,1]],[[3,4]]])
a[ax1,ax2,:] = 1
a
输出:
array([[[1., 1., 1.],
[1., 1., 1.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[1., 1., 1.],
[1., 1., 1.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[1., 1., 1.],
[1., 1., 1.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[1., 1., 1.],
[1., 1., 1.]]])
我倾向于相信我应该能够看到所讨论的矩阵的形状,指标的形状,以及指标操作来直观地知道输出。然而,我无法在脑海中把这个故事拼凑起来。比如,它改变的子空间的最终形状是什么?你会如何解释这是如何工作的?
的形状:
input: (5, 5, 3)
ind1: (2, 2, 1)
ind2: (2, 1, 2)
final_op: input[ind1, ind2, :]
有形状
ind1: (2, 2, 1)
ind2: (2, 1, 2)
与broadcast
一起选择一个(2,2,2)空间
In [4]: ax1
Out[4]:
array([[[0],
[1]],
[[3],
[4]]])
In [5]: ax2
Out[5]:
array([[[0, 1]],
[[3, 4]]])
所以对于第一个维度(块),它选择了0、1、3和4块。在第二个维度中,它也在选择这些行。
加在一起就是前2块的前2行,和后2块的最后2行。这就是你的结果中出现1的地方。
创建索引数组的简单方法:
In [7]: np.array([[0,1],[3,4]])[:,:,None] # (2,2) expanded to (2,2,1)
In [8]: np.array([[0,1],[3,4]])[:,None,:] # expand to (2,1,2)
广播是这样扩展它们的:
In [10]: np.broadcast_arrays(ax1,ax2)
Out[10]:
[array([[[0, 0], # block indices
[1, 1]],
[[3, 3],
[4, 4]]]),
array([[[0, 1], # row indices
[0, 1]],
[[3, 4],
[3, 4]]])]
这可以使模式更清晰:
In [15]: a[ax1,ax2,:] = np.arange(1,5).reshape(2,2,1)
In [16]: a[:,:,0]
Out[16]:
array([[1., 2., 0., 0., 0.],
[3., 4., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 1., 2.],
[0., 0., 0., 3., 4.]])