Question

我在python（numpy数组或scipy.sparse.matrices）中有以下代码，它可以工作：

X[a,:][:,b]

但它看起来并不优雅。 'a'和'b'是1-D布尔掩码。

'a'与X.shape [0]具有相同的长度，'b'与X.shape [1]具有相同的长度

我尝试了X[a,b]，但它不起作用。

我想要完成的是同时选择特定的行和列。例如，选择第0,7,8行，然后从该结果中选择第2,3,4列中的所有行

你如何让这更短，更优雅？

Answer 1

你可以np.ix_使用{{3}}这样的broadcasted indexing，就像这样 -

X[np.ix_(a,b)]

虽然这不会比原始代码短，但希望应该更快。这是因为我们正在避免中间输出，就像使用一个切片创建X[a,:]的原始代码一样，然后是另一个切片X[a,:][:,b]来为我们提供最终输出。

此外，此方法适用于a和b作为int和boolean数组。

示例运行

In [141]: X = np.random.randint(0,99,(6,5))

In [142]: m,n = X.shape

In [143]: a = np.in1d(np.arange(m),np.random.randint(0,m,(m)))

In [144]: b = np.in1d(np.arange(n),np.random.randint(0,n,(n)))

In [145]: X[a,:][:,b]
Out[145]: 
array([[17, 81, 64],
       [87, 16, 54],
       [98, 22, 11],
       [26, 54, 64]])

In [146]: X[np.ix_(a,b)]
Out[146]: 
array([[17, 81, 64],
       [87, 16, 54],
       [98, 22, 11],
       [26, 54, 64]])

运行时测试

In [147]: X = np.random.randint(0,99,(600,500))

In [148]: m,n = X.shape

In [149]: a = np.in1d(np.arange(m),np.random.randint(0,m,(m)))

In [150]: b = np.in1d(np.arange(n),np.random.randint(0,n,(n)))

In [151]: %timeit X[a,:][:,b]
1000 loops, best of 3: 1.74 ms per loop

In [152]: %timeit X[np.ix_(a,b)]
1000 loops, best of 3: 1.24 ms per loop

这个numpy数组索引的缩短版本

1 个答案: