Numpy索引多维数组与数组和切片

Question

我对numpy文档中的这个例子有疑问。

y = np.arange(35).reshape(5,7)

这是我想要澄清的操作:

y[np.array([0,2,4]),1:3]

根据文档:
"实际上，切片被转换为索引数组np.array([[1,2]]) (shape(1,2))，该索引数组与索引数组一起广播以产生形状(3,2)的结果数组。"

这不起作用，所以我假设它不等于

y[np.array([0,2,4]), np.array([1,2])]

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-140-f4cd35e70141> in <module>()
----> 1 y[np.array([0,2,4]), np.array([1,2])]
ValueError: shape mismatch: objects cannot be broadcast to a single shape

这个广播的形状(3,2)数组是什么样的?

Answer 1

广播更像是:

In [280]: y[np.array([0,2,4])[...,None], np.array([1,2])]
Out[280]: 
array([[ 1,  2],
       [15, 16],
       [29, 30]])

我为[0,2,4]添加了一个维度，使其成为2d。broadcast_arrays可以用来查看广播数组的样子:

In [281]: np.broadcast_arrays(np.array([0,2,4])[...,None], np.array([1,2]))
Out[281]: 
[array([[0, 0],
        [2, 2],
        [4, 4]]), 
 array([[1, 2],
        [1, 2],
        [1, 2]])]

np.broadcast_arrays([[0],[2],[4]], [1,2])没有array包装也是一样的。np.meshgrid([0,2,4], [1,2], indexing='ij')是生成这些索引数组的另一种方法。

(meshgrid或broadcast_arrays生成的列表可以用作y[_]的参数)

所以说[1,2]是用索引数组广播的，但是它省略了关于调整尺寸的部分。

稍早一点，他们有这个例子:

y[np.array([0,2,4])]

相当于y[np.array([0,2,4]), :]。它选取3行，并从中选取所有项。1:3的情况可以被认为是这个的扩展，选择3行，然后2列。

y[[0,2,4],:][:,1:3]

如果广播太混乱，这可能是考虑索引的更好方法。

---

有另一个文档页可以更好地处理这个

http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html

在本文档中，基本索引包括切片和整数

y[:,1:3], y[1,:], y[1, 1:3]

高级索引涉及数组(或列表)

y[[0,2,4],:]

这将产生与y[::2,:]相同的结果，除了列表情况生成副本，切片(基本)生成视图。

y[[0,2,4], [1,2,3]]是一个纯超前索引数组索引的例子，结果是3个条目，分别是(0,1)、(2,2)和(4,3)。

y[[0,2,4], 1:3]是本文档称为Combining advanced and basic indexing的情况，'advanced' from ' [0,2,4]'， ' basic ' from '1:3'。

http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html combining-advanced-and-basic-indexing

---

查看更复杂的索引数组可能会增加一些洞察力。

In [222]: i=[[0,2],[1,4]]

与另一个列表一起使用，它是"纯"高级的，并且结果被广播:

In [224]: y[i, [1,2]]
Out[224]: 
array([[ 1, 16],
       [ 8, 30]])

索引数组为:

In [234]: np.broadcast_arrays(i, [1,2])
Out[234]: 
[array([[0, 2],
        [1, 4]]), 
 array([[1, 2],
        [1, 2]])]

[1,2]列表刚刚扩展为一个(2,2)数组。

使用它与切片是这种混合高级/基本的一个例子，结果是3d (2,2,2)。

In [223]: y[i, 1:3]
Out[223]: 
array([[[ 1,  2],
        [15, 16]],
       [[ 8,  9],
        [29, 30]]])

与广播等价的是

y[np.array(i)[...,None], [1,2]]

Answer 2

y[data,beginIndex:endIndex]

   import numpy as np
    y = np.arange(35).reshape(5,7)
    print(y)
    [[ 0  1  2  3  4  5  6]
     [ 7  8  9 10 11 12 13]
     [14 15 16 17 18 19 20]
     [21 22 23 24 25 26 27]
     [28 29 30 31 32 33 34]]
    print(y[np.array([0,2,4]),1:3])
    [[ 1  2]
     [15 16]
     [29 30]]

Answer 3

您是对的，这里的文档可能不正确，或者至少缺少了一些东西。我会为此提出一个问题，在文档中进行澄清。

实际上，文档的这一部分只展示了这个例子，但是随后会引发一个异常:

>>> y[np.array([0,2,4]), np.array([0,1])]
<type 'exceptions.ValueError'>: shape mismatch: objects cannot be
broadcast to a single shape