Question

我想沿特定轴动态切片numpy数组。鉴于此：

axis = 2
start = 5
end = 10

我希望得到与此相同的结果：

# m is some matrix
m[:,:,5:10]

使用类似的东西：

slc = tuple(:,) * len(m.shape)
slc[axis] = slice(start,end)
m[slc]

但是:值不能放在元组中，所以我无法弄清楚如何构建切片。

Answer 1

我认为一种方法是使用slice(None)：

>>> m = np.arange(2*3*5).reshape((2,3,5))
>>> axis, start, end = 2, 1, 3
>>> target = m[:, :, 1:3]
>>> target
array([[[ 1,  2],
        [ 6,  7],
        [11, 12]],

       [[16, 17],
        [21, 22],
        [26, 27]]])
>>> slc = [slice(None)] * len(m.shape)
>>> slc[axis] = slice(start, end)
>>> np.allclose(m[slc], target)
True

我有一种模糊的感觉，我以前曾使用过这个功能，但我现在似乎无法找到它..

Answer 2

因为它没有被清楚地提及（我也在寻找它）：

相当于：

a = my_array[:, :, :, 8]
b = my_array[:, :, :, 2:7]

是：

a = my_array.take(indices=8, axis=3)
b = my_array.take(indices=range(2, 7), axis=3)

Answer 3

派对有点晚了，但默认的Numpy方式是numpy.take。但是，一个总是复制数据（因为它支持花哨的索引，它总是假设这是可能的）。为了避免这种情况（在许多情况下，您需要数据的视图，而不是副本），请回退到另一个答案中已经提到的slice(None)选项，可能将其包装好功能：

def simple_slice(arr, inds, axis):
    # this does the same as np.take() except only supports simple slicing, not
    # advanced indexing, and thus is much faster
    sl = [slice(None)] * arr.ndim
    sl[axis] = inds
    return arr[sl]

Answer 4

这晚了很晚，但是我有一个替代的切片功能，它的性能比其他答案要好：

def array_slice(a, axis, start, end, step=1):
    return a[(slice(None),) * (axis % a.ndim) + (slice(start, end, step),)]

下面是测试每个答案的代码。每个版本均标有发布答案的用户名：

import numpy as np
from timeit import timeit

def answer_dms(a, axis, start, end, step=1):
    slc = [slice(None)] * len(a.shape)
    slc[axis] = slice(start, end, step)
    return a[slc]

def answer_smiglo(a, axis, start, end, step=1):
    return a.take(indices=range(start, end, step), axis=axis)

def answer_eelkespaak(a, axis, start, end, step=1):
    sl = [slice(None)] * m.ndim
    sl[axis] = slice(start, end, step)
    return a[tuple(sl)]

def answer_clemisch(a, axis, start, end, step=1):
    a = np.moveaxis(a, axis, 0)
    a = a[start:end:step]
    return np.moveaxis(a, 0, axis)

def answer_leland(a, axis, start, end, step=1):
    return a[(slice(None),) * (axis % a.ndim) + (slice(start, end, step),)]

if __name__ == '__main__':
    m = np.arange(2*3*5).reshape((2,3,5))
    axis, start, end = 2, 1, 3
    target = m[:, :, 1:3]
    for answer in (answer_dms, answer_smiglo, answer_eelkespaak,
                   answer_clemisch, answer_leland):
        print(answer.__name__)
        m_copy = m.copy()
        m_slice = answer(m_copy, axis, start, end)
        c = np.allclose(target, m_slice)
        print('correct: %s' %c)
        t = timeit('answer(m, axis, start, end)',
                   setup='from __main__ import answer, m, axis, start, end')
        print('time:    %s' %t)
        try:
            m_slice[0,0,0] = 42
        except:
            print('method:  view_only')
        finally:
            if np.allclose(m, m_copy):
                print('method:  copy')
            else:
                print('method:  in_place')
        print('')

以下是结果：

answer_dms

Warning (from warnings module):
  File "C:\Users\leland.hepworth\test_dynamic_slicing.py", line 7
    return a[slc]
FutureWarning: Using a non-tuple sequence for multidimensional indexing is 
deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be 
interpreted as an array index, `arr[np.array(seq)]`, which will result either in an 
error or a different result.
correct: True
time:    2.2048302
method:  in_place

answer_smiglo
correct: True
time:    5.9013344
method:  copy

answer_eelkespaak
correct: True
time:    1.1219435999999998
method:  in_place

answer_clemisch
correct: True
time:    13.707583699999999
method:  in_place

answer_leland
correct: True
time:    0.9781496999999995
method:  in_place

DSM's answer包括一些可改善评论的建议。
EelkeSpaak's answer应用了这些改进，从而避免了警告，并且速度更快。

Śmigło's answer

np.take给出的结果更糟，尽管它不是仅用于查看，但它确实会创建副本。涉及clemisch's answer的
np.moveaxis花费了最长的时间，但令人惊讶的是，它引用了先前阵列的存储位置。
我的回答消除了对中间切片列表的需求。当切片轴朝向起点时，它也使用较短的切片索引。这样可以提供最快的结果，并且随着轴更接近于0，可以进行其他改进。

我还向每个版本添加了一个step参数，以防您需要。

Answer 5

有一种优雅的方法可以访问数组n的任意轴x：使用numpy.moveaxis¹将感兴趣的轴移到前面。

x_move = np.moveaxis(x, n, 0)  # move n-th axis to front
x_move[start:end]              # access n-th axis

要注意的是，您可能必须将moveaxis应用于与x_move[start:end]的输出一起使用的其他数组，以保持轴顺序的一致性。数组x_move只是一个视图，因此您对其前轴所做的每次更改都对应于第x轴上n的更改（即，您可以对{ {1}}。

_{1）与x_move相反，您也可以使用交换轴来担心n和0的顺序。与moveaxis(x, n, 0)相比，我更喜欢moveaxis，因为它只会更改与swapaxes}

相关的顺序

Answer 6

这真的很晚了！但是我得到了Leland's answer并对其进行了扩展，因此它可以与多个轴和切片参数一起使用。这是该功能的详细版本

from numpy import *

def slicer(a, axis=None, slices=None):
    if not hasattr(axis, '__iter__'):
        axis = [axis]
    if not hasattr(slices, '__iter__') or len(slices) != len(axis):
        slices = [slices]
    slices = [ sl if isinstance(sl,slice) else slice(*sl) for sl in slices ]
    mask = []
    fixed_axis = array(axis) % a.ndim
    case = dict(zip(fixed_axis, slices))
    for dim, size in enumerate(a.shape):
        mask.append( case[dim] if dim in fixed_axis else slice(None) )
    return a[tuple(mask)]

它适用于可变数量的轴，并且以切片的元组作为输入

>>> a = array( range(10**4) ).reshape(10,10,10,10)
>>> slicer( a, -2, (1,3) ).shape
(10, 10, 2, 10)
>>> slicer( a, axis=(-1,-2,0), slices=((3,), s_[:5], slice(3,None)) ).shape
(7, 10, 5, 3)

更紧凑的版本

def slicer2(a, axis=None, slices=None):
    ensure_iter = lambda l: l if hasattr(l, '__iter__') else [l]
    axis = array(ensure_iter(axis)) % a.ndim
    if len(ensure_iter(slices)) != len(axis):
        slices = [slices]
    slice_selector = dict(zip(axis, [ sl if isinstance(sl,slice) else slice(*sl) for sl in ensure_iter(slices) ]))
    element = lambda dim_: slice_selector[dim_] if dim_ in slice_selector.keys() else slice(None)
    return a[( element(dim) for dim in range(a.ndim) )]

沿动态指定的轴切割numpy数组

6 个答案: