Question

我正在寻找一种从numpy数组中一次选择多个切片的方法。假设我们有一维数据阵列，并希望提取它的三个部分，如下所示：

data_extractions = []

for start_index in range(0, 3):
    data_extractions.append(data[start_index: start_index + 5])

之后data_extractions将是：

data_extractions = [
    data[0:5],
    data[1:6],
    data[2:7]
]

有没有办法在没有for循环的情况下执行上述操作？ numpy中的某种索引方案可以让我从数组中选择多个切片并将它们作为多个数组返回，例如在n + 1维数组中？

我想也许我可以复制我的数据，然后从每一行中选择一个范围，但下面的代码抛出一个IndexError

replicated_data = np.vstack([data] * 3)
data_extractions = replicated_data[[range(3)], [slice(0, 5), slice(1, 6), slice(2, 7)]

Answer 1

在这篇文章中，strided-indexing scheme使用np.lib.stride_tricks.as_strided的方法基本上创建了一个输入数组的视图，因此对于创建非常有效，并且视图占用了内存空间。此外，这适用于具有通用维数的ndarray。

这是实施 -

def strided_axis0(a, L):
    # Store the shape and strides info
    shp = a.shape
    s  = a.strides

    # Compute length of output array along the first axis
    nd0 = shp[0]-L+1

    # Setup shape and strides for use with np.lib.stride_tricks.as_strided
    # and get (n+1) dim output array
    shp_in = (nd0,L)+shp[1:]
    strd_in = (s[0],) + s
    return np.lib.stride_tricks.as_strided(a, shape=shp_in, strides=strd_in)

4D数组案例的运行示例 -

In [44]: a = np.random.randint(11,99,(10,4,2,3)) # Array

In [45]: L = 5      # Window length along the first axis

In [46]: out = strided_axis0(a, L)

In [47]: np.allclose(a[0:L], out[0])  # Verify outputs
Out[47]: True

In [48]: np.allclose(a[1:L+1], out[1])
Out[48]: True

In [49]: np.allclose(a[2:L+2], out[2])
Out[49]: True

Answer 2

您可以使用索引将所需的行选择为适当的形状。例如：

 data = np.random.normal(size=(100,2,2,2))

 # Creating an array of row-indexes
 indexes = np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
 # data[indexes] will return an element of shape (3,5,2,2,2). Converting
 # to list happens along axis 0
 data_extractions = list(data[indexes])

 np.all(data_extractions[1] == s[1:6])
 True

Answer 3

stride_tricks可以做到

a = np.arange(10)
b = np.lib.stride_tricks.as_strided(a, (3, 5), 2 * a.strides)
b
# array([[0, 1, 2, 3, 4],
#        [1, 2, 3, 4, 5],
#        [2, 3, 4, 5, 6]])

请注意b引用与a相同的内存，实际上多次（例如b[0, 1]和b[1, 0]是相同的内存地址）。因此，在使用新结构之前制作副本是最安全的。

可以以类似的方式完成，例如2d - >图4d

a = np.arange(16).reshape(4, 4)
b = np.lib.stride_tricks.as_strided(a, (3,3,2,2), 2*a.strides)
b.reshape(9,2,2) # this forces a copy
# array([[[ 0,  1],
#         [ 4,  5]],

#        [[ 1,  2],
#         [ 5,  6]],

#        [[ 2,  3],
#         [ 6,  7]],

#        [[ 4,  5],
#         [ 8,  9]],

#        [[ 5,  6],
#         [ 9, 10]],

#        [[ 6,  7],
#         [10, 11]],

#        [[ 8,  9],
#         [12, 13]],

#        [[ 9, 10],
#         [13, 14]],

#        [[10, 11],
#         [14, 15]]])

Answer 4

您可以使用准备好的切片阵列切割阵列

a = np.array(list('abcdefg'))

b = np.array([
        [0, 1, 2, 3, 4],
        [1, 2, 3, 4, 5],
        [2, 3, 4, 5, 6]
    ])

a[b]

然而，b并非必须以这种方式手工生成。

可以更加动态

b = np.arange(5) + np.arange(3)[:, None]

Answer 5

在一般情况下，您必须进行某种迭代 - 以及连接 - 无论是在构建索引时还是在收集结果时。只有当切片模式本身是常规的时，才可以通过as_strided使用广义切片。

接受的答案构造一个索引数组，每个切片一行。因此，迭代切片，arange本身就是（快速）迭代。并且np.array在新轴上连接它们（np.stack概括了这一点。）

In [264]: np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
Out[264]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

indexing_tricks便捷方法做同样的事情：

In [265]: np.r_[0:5, 1:6, 2:7]
Out[265]: array([0, 1, 2, 3, 4, 1, 2, 3, 4, 5, 2, 3, 4, 5, 6])

这采用切片表示法，用arange扩展它并连接。它甚至可以让我扩展并连接到2d

In [269]: np.r_['0,2',0:5, 1:6, 2:7]
Out[269]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

In [270]: data=np.array(list('abcdefghijk'))
In [272]: data[np.r_['0,2',0:5, 1:6, 2:7]]
Out[272]: 
array([['a', 'b', 'c', 'd', 'e'],
       ['b', 'c', 'd', 'e', 'f'],
       ['c', 'd', 'e', 'f', 'g']], 
      dtype='<U1')
In [273]: data[np.r_[0:5, 1:6, 2:7]]
Out[273]: 
array(['a', 'b', 'c', 'd', 'e', 'b', 'c', 'd', 'e', 'f', 'c', 'd', 'e',
       'f', 'g'], 
      dtype='<U1')

索引后连接结果也有效。

In [274]: np.stack([data[0:5],data[1:6],data[2:7]])

我对其他SO问题的记忆是相对时间处于同一数量级。例如，它可以根据切片的数量与它们的长度而变化。总的来说，必须从源复制到目标的值的数量将是相同的。

如果切片的长度不同，则必须使用平面索引。

Answer 6

我们可以使用列表理解

data=np.array([1,2,3,4,5,6,7,8,9,10])
data_extractions=[data[b:b+5] for b in [1,2,3,4,5]]
data_extractions

结果

[array([2, 3, 4, 5, 6]), array([3, 4, 5, 6, 7]), array([4, 5, 6, 7, 8]), array([5, 6, 7, 8, 9]), array([ 6,  7,  8,  9, 10])]

一次从numpy数组中选择多个切片

6 个答案: