我有一个3D数组，我需要在最后一个轴上“挤”它，这样我得到一个2D数组。我需要以下面的方式做到这一点。对于前两个维度的索引的每个值，我知道应从中获取值的第三维索引的值。
例如，我知道如果i1 == 2和i2 == 7那么i3 == 11。这意味着out[2,7] = inp[2,7,11]。从前两个维度到第三个维度的映射在另一个2D阵列中给出。换句话说，我有一个数组，其位置2,7我有11作为值。
所以，我的问题是如何组合这两个数组（3D和2D）来获得输出数组（2D）。
答案 0 :(得分：2)
In [635]: arr = np.arange(24).reshape(2,3,4)
In [636]: idx = np.array([[1,2,3],[0,1,2]])
In [637]: I,J = np.ogrid[:2,:3]
In [638]: arr[I,J,idx]
Out[638]:
array([[ 1, 6, 11],
[12, 17, 22]])
In [639]: arr
Out[639]:
array([[[ 0, 1, 2, 3], # 1
[ 4, 5, 6, 7], # 6
[ 8, 9, 10, 11]], # ll
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
I,J一起广播以选择匹配idx的一组（2,3）值：
In [640]: I
Out[640]:
array([[0],
[1]])
In [641]: J
Out[641]: array([[0, 1, 2]])
这是对3d更简单的问题的概括 - 从每行中选择一个项目：
In [649]: idx
Out[649]:
array([[1, 2, 3],
[0, 1, 2]])
In [650]: idx[np.arange(2), [0,1]]
Out[650]: array([1, 1])
事实上，我们可以将3d问题转换为2d问题：
In [655]: arr.reshape(6,4)[np.arange(6), idx.ravel()]
Out[655]: array([ 1, 6, 11, 12, 17, 22])
概括原案例：
In [55]: arr = np.arange(24).reshape(2,3,4)
In [56]: idx = np.array([[1,2,3],[0,1,2]])
In [57]: IJ = np.ogrid[[slice(i) for i in idx.shape]]
In [58]: IJ
Out[58]:
[array([[0],
[1]]), array([[0, 1, 2]])]
In [59]: (*IJ,idx)
Out[59]:
(array([[0],
[1]]), array([[0, 1, 2]]), array([[1, 2, 3],
[0, 1, 2]]))
In [60]: arr[_]
Out[60]:
array([[ 1, 6, 11],
[12, 17, 22]])
关键是将IJ数组列表与idx组合在一起，以创建一个新的索引元组。如果idx不是最后一个索引，那么构造元组会有点麻烦，但它仍然是可能的。 E.g。
In [61]: (*IJ[:-1],idx,IJ[-1])
Out[61]:
(array([[0],
[1]]), array([[1, 2, 3],
[0, 1, 2]]), array([[0, 1, 2]]))
In [62]: arr.transpose(0,2,1)[_]
Out[62]:
array([[ 1, 6, 11],
[12, 17, 22]])
如果更容易将arr转置到idx维度，则最后。关键是索引操作采用索引数组的元组，这些数组相互广播以选择特定项。
这就是ogrid正在做的事情，创建使用idx的数组。
答案 1 :(得分：1)
inp = np.random.random((20, 10, 5)) # simulate some input
i1, i2 = np.indices(inp.shape[:2])
i3 = np.random.randint(0, 5, size=inp.shape) # or implement whatever mapping
# you want between (i1,i2) and i3
out = inp[(i1, i2, i3)]
有关详细信息，请参阅https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html#integer-array-indexing
答案 2 :(得分：0)
numpy.einsum 这可以通过array indexing和numpy.einsum的使用：
>>> numpy.einsum('ijij->ij', inp[:, :, indices])
inp[:, :, indices]创建一个四维数组，其中对于前两个索引（前两个维度）中的每个索引，索引数组的所有索引都应用于第三个维度。因为索引数组是二维的，所以得到4D。但是，您只希望索引数组的那些索引对应于前两个维度的索引。然后通过使用字符串ijij->ij来实现。这告诉einsum您只想选择第1轴和第3轴以及第2轴和第4轴的索引相似的元素。由于索引数组添加了最后两个维度（第3个和第4个维度），因此类似于仅为index[i, j]的第三个维度选择索引inp。
请注意，此方法可以真正炸掉内存消耗。特别是如果inp.shape[:2]远大于inp.shape[2]，那么inp[:, :, indices].size将大约为inp.size ** 2。
首先我们准备新的索引数组：
>>> idx = numpy.array(list(
... numpy.ndindex(*inp.shape[:2], 1) # Python 3 syntax
... ))
然后我们更新对应于第三轴的列：
>>> idx[:, 2] = indices[idx[:, 0], idx[:, 1]]
现在我们可以选择元素并简单地重塑结果：
>>> inp[tuple(idx.T)].reshape(*inp.shape[:2])
numpy.choose 注意： numpy.choose允许从中选择的轴的最大大小为32。
根据this answer和numpy.choose的文档，我们还可以使用以下内容：
# First we need to bring the last axis to the front because
# `numpy.choose` chooses from the first axis.
>>> new_inp = numpy.moveaxis(inp, -1, 0)
# Now we can select the elements.
>>> numpy.choose(indices, new_inp)
虽然文档不鼓励使用单个数组作为第二个参数（选项）
为了减少误解的可能性，即使名义上支持以下“滥用”，选择既不应该也不应被视为单个数组，即最外层的序列容器应该是列表或元组。
这似乎只是为了防止误解：
选项：数组序列
选择数组。 a 并且所有选项必须可以播放到相同的形状。如果选项本身就是一个数组（不推荐），那么它的最外层维度（即与
choices.shape[0]对应的维度）将被视为定义“序列”。
因此，从我的观点来看，只要有人意识到他们正在做的事情，那么使用numpy.choose就没有错。
答案 3 :(得分：-1)
我相信应该这样做：
for i in range(n):
for j in range(m):
k = index_mapper[i][j]
value = input_3d[i][j][k]
out_2d[i][j] = value