Question

如果我有这样的ndarray：

>>> a = np.arange(27).reshape(3,3,3)
>>> 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],
        [24, 25, 26]]])

我知道我可以使用np.max(axis=...)在某个轴上获得最大值：

>>> a.max(axis=2)
array([[ 2,  5,  8],
       [11, 14, 17],
       [20, 23, 26]])

或者，我可以沿着该轴获得索引，它们对应于以下的最大值：

>>> indices = a.argmax(axis=2)
>>> indices
array([[2, 2, 2],
       [2, 2, 2],
       [2, 2, 2]])

我的问题 - 鉴于数组indices和数组a，是否有一种优雅的方式来重现a.max(axis=2)返回的数组？

这可能有用：

import itertools as it
import numpy as np
def apply_mask(field,indices):
    data = np.empty(indices.shape)

    #It seems highly likely that there is a more numpy-approved way to do this.
    idx = [range(i) for i in indices.shape]
    for idx_tup,zidx in zip(it.product(*idx),indices.flat):
        data[idx_tup] = field[idx_tup+(zidx,)]
    return data

但是，它似乎相当hacky /低效。它也不允许我使用除“最后”轴以外的任何轴。是否有一个numpy函数（或一些使用神奇的numpy索引）来使这项工作？天真的a[:,:,a.argmax(axis=2)]不起作用。

更新：

以下似乎也有效（并且更好一点）：

import numpy as np
def apply_mask(field,indices):
    data = np.empty(indices.shape)

    for idx_tup,zidx in np.ndenumerate(indices):
        data[idx_tup] = field[idx_tup+(zidx,)]

    return data

我想这样做是因为我想根据1个数组中的数据提取索引（通常使用argmax(axis=...)）并使用这些索引从一堆其他数据中提取数据（等效形状）阵列。我愿意采用其他方法来实现这一目标（例如使用布尔掩码数组）。但是，我喜欢使用这些“索引”数组的“安全性”。有了这个，我保证有适当数量的元素来创建一个新的数组，看起来像是通过3d字段的2d“切片”。

Answer 1

这是一些神奇的numpy索引，可以做你想要的，但遗憾的是它非常难以理解。

def apply_mask(a, indices, axis):
    magic_index = [np.arange(i) for i in indices.shape]
    magic_index = np.ix_(*magic_index)
    magic_index = magic_index[:axis] + (indices,) + magic_index[axis:]
    return a[magic_index]

或同样不可读：

def apply_mask(a, indices, axis):
    magic_index = np.ogrid[tuple(slice(i) for i in indices.shape)]
    magic_index.insert(axis, indices)
    return a[magic_index]

Answer 2

我使用index_at()创建完整索引：

import numpy as np

def index_at(idx, shape, axis=-1):
    if axis<0:
        axis += len(shape)
    shape = shape[:axis] + shape[axis+1:]
    index = list(np.ix_(*[np.arange(n) for n in shape]))
    index.insert(axis, idx)
    return tuple(index)

a = np.random.randint(0, 10, (3, 4, 5))

axis = 1
idx = np.argmax(a, axis=axis)
print a[index_at(idx, a.shape, axis=axis)]
print np.max(a, axis=axis)

基于2d掩模数组的numpy 3d到2d变换

2 个答案: