有没有办法在一个操作中为这些元素的已知行和列获取数组元素？在每一行中，我想访问从col_start到col_end的元素（每行有不同的起始和结束索引）。每行的元素数量相同，元素是连续的。 例如：
[ . . . . | | | . . . . . ]
[ | | | . . . . . . . . . ]
[ . . | | | . . . . . . . ]
[ . . . . . . . . | | | . ]
一种解决方案是获取元素的索引（行 - 列对），而不是使用my_array [row_list，col_list]。
没有使用for循环还有其他（更简单的）方法吗？
答案 0 :(得分：3)
A = np.arange(40).reshape(4,10)*.1
startend = [[2,5],[3,6],[4,7],[5,8]]
index_list = [np.arange(v[0],v[1]) + i*A.shape[1]
for i,v in enumerate(startend)]
# [array([2, 3, 4]), array([13, 14, 15]), array([24, 25, 26]), array([35, 36, 37])]
A.flat[index_list]
array([[ 0.2, 0.3, 0.4],
[ 1.3, 1.4, 1.5],
[ 2.4, 2.5, 2.6],
[ 3.5, 3.6, 3.7]])
这仍然有一个迭代，但它是一个相当基本的列表。
我正在为A的扁平1d版本编制索引。 np.take(A, index_list)也有效。
如果行间隔大小不同，我可以使用np.r_来连接它们。这不是绝对必要的，但是在从多个区间和值构建索引时很方便。
A.flat[np.r_[tuple(index_list)]]
# array([ 0.2, 0.3, 0.4, 1.3, 1.4, 1.5, 2.4, 2.5, 2.6, 3.5, 3.6, 3.7])
idx使用的ajcr可以在没有choose的情况下使用：
idx = [np.arange(v[0], v[1]) for i,v in enumerate(startend)]
A[np.arange(A.shape[0])[:,None], idx]
idx与我的index_list类似，只是它没有添加行长。
np.array(idx)
array([[2, 3, 4],
[3, 4, 5],
[4, 5, 6],
[5, 6, 7]])
由于每个arange具有相同的长度，因此可以在不迭代的情况下生成idx：
col_start = np.array([2,3,4,5])
idx = col_start[:,None] + np.arange(3)
第一个索引是一个列数组，广播以匹配此idx。
np.arange(A.shape[0])[:,None]
array([[0],
[1],
[2],
[3]])
使用此A和idx，我得到以下时间：
In [515]: timeit np.choose(idx,A.T[:,:,None])
10000 loops, best of 3: 30.8 µs per loop
In [516]: timeit A[np.arange(A.shape[0])[:,None],idx]
100000 loops, best of 3: 10.8 µs per loop
In [517]: timeit A.flat[idx+np.arange(A.shape[0])[:,None]*A.shape[1]]
10000 loops, best of 3: 24.9 µs per loop
flat索引更快，但计算发烧友指数需要一些时间。
对于大型数组，flat索引的速度占主导地位。
A=np.arange(4000).reshape(40,100)*.1
col_start=np.arange(20,60)
idx=col_start[:,None]+np.arange(30)
In [536]: timeit A[np.arange(A.shape[0])[:,None],idx]
10000 loops, best of 3: 108 µs per loop
In [537]: timeit A.flat[idx+np.arange(A.shape[0])[:,None]*A.shape[1]]
10000 loops, best of 3: 59.4 µs per loop
np.choose方法遇到硬编码限制：Need between 2 and (32) array objects (inclusive).
超出界限idx？
col_start=np.array([2,4,6,8])
idx=col_start[:,None]+np.arange(3)
A[np.arange(A.shape[0])[:,None], idx]
产生错误，因为上一个idx值为10，太大了。
你可以clip idx
idx=idx.clip(0,A.shape[1]-1)
在最后一行产生重复值
[ 3.8, 3.9, 3.9]
您也可以在编制索引之前填充A。有关更多选项，请参阅np.pad。
np.pad(A,((0,0),(0,2)),'edge')[np.arange(A.shape[0])[:,None], idx]
另一种选择是删除越界值。然后idx将成为列表（或列表数组）的参差不齐的列表。 flat方法可以处理这个问题，但结果不是矩阵。
startend = [[2,5],[4,7],[6,9],[8,10]]
index_list = [np.arange(v[0],v[1]) + i*A.shape[1]
for i,v in enumerate(startend)]
# [array([2, 3, 4]), array([14, 15, 16]), array([26, 27, 28]), array([38, 39])]
A.flat[np.r_[tuple(index_list)]]
# array([ 0.2, 0.3, 0.4, 1.4, 1.5, 1.6, 2.6, 2.7, 2.8, 3.8, 3.9])
答案 1 :(得分：3)
您可以使用np.choose。
以下是NumPy数组arr：
array([[ 0, 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12, 13],
[14, 15, 16, 17, 18, 19, 20]])
我们想要从第一行中选择值[1, 2, 3]，从第二行选择[11, 12, 13]，从第三行选择[17, 18, 19]。
换句话说，我们会从arr的每一行中选出索引，如数组idx所示：
array([[1, 2, 3],
[4, 5, 6],
[3, 4, 5]])
然后使用np.choose：
>>> np.choose(idx, arr.T[:,:,np.newaxis])
array([[ 1, 2, 3],
[11, 12, 13],
[17, 18, 19]])
要解释刚刚发生的事情：arr.T[:,:,np.newaxis]表示arr暂时被视为形状为(7, 3, 1)的3D数组。您可以将其想象为3D数组，其中原始arr的每列现在是具有三个值的2D列向量。 3D阵列看起来有点像这样：
# 0 1 2 3 4 5 6
[[ 0] [[ 1] [[ 2] [[ 3] [[ 4] [[ 5] [[ 6] # choose values from 1, 2, 3
[ 7] [ 8] [ 9] [10] [11] [12] [13] # choose values from 4, 5, 6
[14]] [15]] [16]] [17]] [18]] [19]] [20]] # choose values from 3, 4, 5
要获取输出数组的第0行行，choose从索引1的2D列中选择第0个元素，<来自索引2的2D列的em>第0个元素，以及来自索引3的2D列的第0个元素。
要获取输出数组的第一行，choose从索引4的2D列中选择第一个元素，<来自索引5的2D列的第一个元素，......等等。
答案 2 :(得分：1)
我认为您正在寻找类似下面的内容。当你访问它们时，我不确定你想用它们做什么。
indexes = [(4,6), (0,2), (2,4), (8, 10)]
arr = [
[ . . . . | | | . . . . . ],
[ | | | . . . . . . . . . ],
[ . . | | | . . . . . . . ],
[ . . . . . . . . | | | . ]
]
for x in zip(indexes, arr):
index = x[0]
row = x[1]
print row[index[0]:index[1]+1]