Question

根据numpy documentation，将数组索引指定为array_name[x, y]和array_name[x][y]是等效的，并且应产生相同的结果。但是，以下代码段：

import numpy as np

a = np.empty((7, 8, 9), dtype = object)
# First indexing notation
print(a[:, 0, 0].shape, a[0, :, 0].shape, a[0, 0, :].shape)
# Second indexing notation
print(a[:][0][0].shape, a[0][:][0].shape, a[0][0][:].shape)

产生输出：

(7,) (8,) (9,)    
(9,) (9,) (9,)

分别显然不相等。有什么作用？

Answer 1

您误解了numpy如何解释索引/切片。对于类似a[x, y, z]的事物，numpy使用x沿第一个维度进行选择，y沿第二个维度进行选择，z沿第三个维度进行选择。

但是，对于类似a[x][y][z]的事物，numpy在x的第一维上使用a，而在y的第一维上使用a[x]，和z沿a[x][y]的第一个维度。

如果您将:与某个数字进行比较，可能会造成混淆。为什么会这样呢？一种是切片（:），另一种是索引（no :）。因为沿维切片（使用:）实际上并不能减小数组的维数，而索引却可以。

可能有很多例子可以表示这一点，但是我认为最好在具有数组的ipython中玩，看看不同的索引和切片如何影响输出。但是，我将提供一两个示例专门回答您的问题

import numpy as np

a = np.arange(2*3*4).reshape((2,3,4))

a
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

# First indexing notation
print(a[:, 0, 0].shape, a[0, :, 0].shape, a[0, 0, :].shape)
# Prints (2,) (3,), (4,)

打破这一点，我们采取每一个：

a[:, 0, 0]包含所有第一个维度，而第0个元素则包含第二个和第三个维度。
a[0, :, 0]接受第一个维度的第0个元素，所有第二个维度以及第三个维度的第0个元素。
a[0, 0, :]在第一个维度和第二个维度中使用第0个元素，在第三个维度中使用所有元素。

# Second indexing notation
print(a[:][0][0].shape, a[0][:][0].shape, a[0][0][:].shape)
# Prints (4,) (4,) (4,)

在这种情况下：

a[:]与a基本相同（返回矩阵的新view-谷歌“ numpy视图”以获取更多信息）。由于a[:]与a相同，因此a[:][0]选择0

a

>
等...

OP说：

根据numpy documentation，将数组索引指定为array_name [x，y]和array_name [x] [y]是等效的

这是真的！要认识的主要事情是（尽管相关）索引编制和切片不是同一件事（正如我上面指出的那样）。

为什么Numpy中的数组索引会产生此结果？

1 个答案: