m是一个有形状的ndarray(12,21,21),现在我只想把它的一个稀疏切片组成一个新的2D数组,

sliceid = 0

indx = np.array([0, 2, 4, 6, 8, 10])

所以sparse_slice直观地说是

sparse_slice = m[sliceid, indx, indx]

但显然上面的操作不起作用,目前我正在使用的是

sparse_slice = m[sliceid,indx,:][:, indx]

为什么第一个“直观”的方式不起作用？并且有一种比我目前的解决方案更紧凑的方式吗？我之前所有的ndarray切片试验都是基于直觉,也许我现在转而阅读一些严肃的手册……

解决方法:

更紧凑的方法是做new = m [0,：12：2,：12：2].这就是numpy docs所谓的“基本索引”,意味着你用整数或切片对象切片(即0：12：2).当您使用基本索引时,numpy返回原始数组的视图.例如：

In [3]: a = np.zeros((2, 3, 4))

In [4]: b = a[0, 1, ::2]

In [5]: b

Out[5]: array([ 0., 0.])

In [6]: b[:] = 7

In [7]: a

Out[7]:

array([[[ 0., 0., 0., 0.],

[ 7., 0., 7., 0.],

[ 0., 0., 0., 0.]],

[[ 0., 0., 0., 0.],

[ 0., 0., 0., 0.],

[ 0., 0., 0., 0.]]])

在您的“直观”方法中,您正在做的是使用另一个数组索引数组.当您使用另一个数组索引numpy数组时,数组需要具有相同的大小(或者它们需要相互广播,在一秒内更多关于此).在文档中,这称为花式索引或高级索引.例如：

In [10]: a = np.arange(9).reshape(3,3)

In [11]: a

Out[11]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

In [12]: index = np.array([0,1,2])

In [13]: b = a[index, index]

In [14]: b

Out[14]: array([0, 4, 8])

你看到我得到[0,0],[1,1]和[2,2]而不是[0,0],[0,1] …如果你想要“外部产品“索引索引可以执行以下操作.

In [22]: index1 = np.array([[0,0],[1,1]])

In [23]: index2 = np.array([[0,1],[0,1]])

In [24]: b = a[index1, index2]

In [25]: b

Out[25]:

array([[0, 1],

[3, 4]])

上面有一个简写,如下所示：

In [28]: index = np.array([0,1])

In [29]: index1, index2 = np.ix_(index, index)

In [31]: index1

Out[31]:

array([[0],

[1]])

In [32]: index2

Out[32]: array([[0, 1]])

In [33]: a[index1, index2]

Out[33]:

array([[0, 1],

[3, 4]])

In [34]: a[np.ix_(index, index)]

Out[34]:

array([[0, 1],

[3, 4]])

你会注意到index1是(2,1),index2是(1,2),而不是(2,2).这是因为两个阵列相互广播,你可以有关广播here的信息.请记住,当你使用花哨的索引时,你得到原始数据的副本而不是视图.有时这更好(如果你想保持原始数据不变),有时它只需要更多的内存.有关索引here的更多信息.

标签：python,numpy

来源： https://codeday.me/bug/20190613/1234414.html