Question

我对numpy docs中的this example表示怀疑。

y = np.arange(35).reshape(5,7)

这是我想澄清的操作：

y[np.array([0,2,4]),1:3]

根据文件：
“实际上，切片被转换为索引数组np.array（[[1,2]]）（形状（1,2）），它与索引数组一起广播以产生一个合成的形状数组（3,2））“。

这不起作用，所以我假设它不等同

y[np.array([0,2,4]), np.array([1,2])]

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-140-f4cd35e70141> in <module>()
----> 1 y[np.array([0,2,4]), np.array([1,2])]

ValueError: shape mismatch: objects cannot be broadcast to a single shape

这个广播的形状阵列（3,2）看起来如何？

Answer 1

Y [数据，的beginIndex：endIndex的]

   import numpy as np
    y = np.arange(35).reshape(5,7)
    print(y)
    [[ 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 27]
     [28 29 30 31 32 33 34]]
    print(y[np.array([0,2,4]),1:3])
    [[ 1  2]
     [15 16]
     [29 30]]

Answer 2

您说这里的文档可能不正确，或者至少缺少某些内容，这是对的。我要为此提交an issue，以便在文档中进行说明。

事实上，文档中的this part只显示了这个示例，但随后会出现异常情况：

>>> y[np.array([0,2,4]), np.array([0,1])]
<type 'exceptions.ValueError'>: shape mismatch: objects cannot be
broadcast to a single shape

Answer 3

广播更像是：

In [280]: y[np.array([0,2,4])[...,None], np.array([1,2])]
Out[280]: 
array([[ 1,  2],
       [15, 16],
       [29, 30]])

我为[0,2,4]添加了维度，使其成为2d。 broadcast_arrays可用于查看广播数组的外观：

In [281]: np.broadcast_arrays(np.array([0,2,4])[...,None], np.array([1,2]))
Out[281]: 
[array([[0, 0],
        [2, 2],
        [4, 4]]), 
 array([[1, 2],
        [1, 2],
        [1, 2]])]

np.broadcast_arrays([[0],[2],[4]], [1,2])与没有array包装器的情况相同。 np.meshgrid([0,2,4], [1,2], indexing='ij')是生成这些索引数组的另一种方法。

（meshgrid或broadcast_arrays生成的列表可用作y[_]的参数。）

所以说[1,2]与索引数组一起播放是正确的，但它省略了关于调整维度的内容。

早一点他们有这个例子：

y[np.array([0,2,4])]

相当于y[np.array([0,2,4]), :]。它挑选3行，以及它们的所有项目。可以将1:3案例视为此案例的扩展，选择3行，然后选择2列。

y[[0,2,4],:][:,1:3]

如果广播太混乱，这可能是考虑索引的更好方式。

还有另一个可以更好地处理这个问题的文档页面

http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html

在本文档中，基本索引涉及切片和整数

y[:,1:3], y[1,:], y[1, 1:3]

高级索引涉及数组（或列表）

y[[0,2,4],:]

这产生与y[::2,:]相同的结果，除了列表情况产生副本，切片（基本）产生视图。

y[[0,2,4], [1,2,3]]是一个纯粹的高级索引数组索引，结果是3个项目，(0,1)，(2,2)和(4,3)。

y[[0,2,4], 1:3]是此文档称为Combining advanced and basic indexing，＆＃39; advanced＆＃39;来自`[0,2,4]＆＃39;，基本来自＆＃39; 1：3＆＃39;。

http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html#combining-advanced-and-basic-indexing

查看更复杂的索引数组可能会增加一些见解。

In [222]: i=[[0,2],[1,4]]

与其他列表一起使用，它是纯粹的＆＃39;先进，结果广播：

In [224]: y[i, [1,2]]
Out[224]: 
array([[ 1, 16],
       [ 8, 30]])

索引数组是：

In [234]: np.broadcast_arrays(i, [1,2])
Out[234]: 
[array([[0, 2],
        [1, 4]]), 
 array([[1, 2],
        [1, 2]])]

[1,2]列表刚刚扩展为（2,2）数组。

将它与切片一起使用是此混合高级/基本的示例，结果为3d (2,2,2)。

In [223]: y[i, 1:3]
Out[223]: 
array([[[ 1,  2],
        [15, 16]],

       [[ 8,  9],
        [29, 30]]])

等同于广播

y[np.array(i)[...,None], [1,2]]

Numpy使用数组和切片索引多维数组

3 个答案: