如果这是多余的或超级基本的,请原谅我。我是从R来到Python / Numpy并且很难在脑子里翻看东西。
我有一个n维数组,我想用另一个索引值的n维数组进行排序。我知道我可以将它包装在一个循环中,但似乎应该有一个非常简洁的Numpyonic方式来击败这个提交。这是我设置问题的示例代码,其中n = 2:
a1 = random.standard_normal(size=[2,5])
index = array([[0,1,2,4,3] , [0,1,2,3,4] ])
所以现在我有一个2 x 5的随机数组和一个2 x 5的索引。我现在已经阅读了take()
大约10次的帮助,但很明显,我的大脑并没有去研究它。
我认为这可能会让我在那里:
take(a1, index)
array([[ 0.29589188, -0.71279375, -0.18154864, -1.12184984, 0.25698875],
[ 0.29589188, -0.71279375, -0.18154864, 0.25698875, -1.12184984]])
但这显然只重新排序了第一个元素(我假设因为扁平化)。
关于我如何从一个解决方案得到的解决方案,该解决方案将索引的元素0对a1的元素0进行排序...元素n?
答案 0 :(得分:11)
我想不出如何在N维中使用它,但这里是2D版本:
>>> a = np.random.standard_normal(size=(2,5))
>>> a
array([[ 0.72322499, -0.05376714, -0.28316358, 1.43025844, -0.90814293],
[ 0.7459107 , 0.43020728, 0.05411805, -0.32813465, 2.38829386]])
>>> i = np.array([[0,1,2,4,3],[0,1,2,3,4]])
>>> a[np.arange(a.shape[0])[:,np.newaxis],i]
array([[ 0.72322499, -0.05376714, -0.28316358, -0.90814293, 1.43025844],
[ 0.7459107 , 0.43020728, 0.05411805, -0.32813465, 2.38829386]])
这是N维版本:
>>> a[list(np.ogrid[[slice(x) for x in a.shape]][:-1])+[i]]
以下是它的工作原理:
好的,让我们从三维数组开始进行说明。
>>> import numpy as np
>>> a = np.arange(24).reshape((2,3,4))
>>> a
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
您可以通过指定沿每个轴的索引来访问此数组的元素,如下所示:
>>> a[0,1,2]
6
这相当于a[0][1][2]
,如果我们处理的是列表而不是数组,那么你将如何访问相同的元素。
Numpy允许您在切片时更加漂亮:
>>> a[[0,1],[1,1],[2,2]]
array([ 6, 18])
>>> a[[0,1],[1,2],[2,2]]
array([ 6, 22])
如果我们处理列表,这些示例将等同于[a[0][1][2],a[1][1][2]]
和[a[0][1][2],a[1][2][2]]
。
你甚至可以忽略重复的指数,而numpy会找出你想要的东西。例如,以上示例可以等效地编写:
>>> a[[0,1],1,2]
array([ 6, 18])
>>> a[[0,1],[1,2],2]
array([ 6, 22])
在每个维度中切片的数组(或列表)的形状仅影响返回数组的形状。换句话说,numpy并不关心你是否正在尝试使用形状(2,3,4)
的数组为数组提取索引值,除非它会返回一个形状为(2,3,4)
的数组。例如:
>>> a[[[0,0],[0,0]],[[0,0],[0,0]],[[0,0],[0,0]]]
array([[0, 0],
[0, 0]])
在这种情况下,我们一遍又一遍地抓取相同的元素a[0,0,0]
,但是numpy返回的数组与我们传入的形状相同。
好的,你的问题。你想要的是沿着最后一个轴索引数组与index
数组中的数字。因此,对于您问题中的示例,您需要[[a[0,0],a[0,1],a[0,2],a[0,4],a[0,3]],a[1,0],a[1,1],...
你的索引数组是多维的,就像我之前所说的那样,并没有说明你想要从哪里获取这些索引的任何内容;它只是指定输出数组的形状。因此,在您的示例中,您需要告诉numpy前5个值将从a[0]
中提取,后5个值从a[1]
中提取。简单!
>>> a[[[0]*5,[1]*5],index]
它在N维中变得复杂,但让我们为上面定义的三维数组a
做这件事。假设我们有以下索引数组:
>>> i = np.array(range(4)[::-1]*6).reshape(a.shape)
>>> i
array([[[3, 2, 1, 0],
[3, 2, 1, 0],
[3, 2, 1, 0]],
[[3, 2, 1, 0],
[3, 2, 1, 0],
[3, 2, 1, 0]]])
因此,这些值都是针对最后一个轴的索引。我们需要告诉numpy这些数字取自第一轴和第二轴的索引;即我们需要告诉numpy第一轴的索引是:
i1 = [[[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]]
,第二轴的索引是:
i2 = [[[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2]],
[[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2]]]
然后我们可以这样做:
>>> a[i1,i2,i]
array([[[ 3, 2, 1, 0],
[ 7, 6, 5, 4],
[11, 10, 9, 8]],
[[15, 14, 13, 12],
[19, 18, 17, 16],
[23, 22, 21, 20]]])
生成i1
和i2
的方便numpy函数称为np.mgrid
。我在我的答案中使用了np.ogrid
,这在这种情况下是相同的,因为我之前谈过的那种笨拙的魔法。
希望有所帮助!
答案 1 :(得分:3)
今天玩了这个之后,我发现如果我使用了mapper功能,我可以解决2维版本真的很简单:
a1 = random.standard_normal(size=[2,5])
index = array([[0,1,2,4,3] , [0,1,2,3,4] ])
map(take, a1, index)
我需要对map()
take()
a1
{{1}}
当然,接受的答案解决了n维版本。但回想起来,我确定我并不真正需要n维解决方案,只需要2-D版本。