Question

我很难适应Numpy数组（我是Matlab用户）。当我尝试从数组中仅选择一个值范围时，我看到生成的数组具有额外的维度：

    ioi = np.nonzero((self.data_array[0,:] >= range_start) & (self.data_array[0,:] <= range_end))

    print("self.data_array.shape = {0}".format(self.data_array.shape))
    print("self.data_array.shape[:,ioi] = {0}".format(self.data_array[:,ioi].shape))

结果是：

self.data_array.shape = (5, 50000)
self.data_array.shape[:,ioi] = (5, 1, 408)

我还看到ioi是一个元组。我不知道这是否与此有关。

在这种情况下，如何创建额外的维？在这种情况下，我应该怎么做才能以最直接的方式获得（5,408）的数组形状？

Answer 1

最简单，最有效的方法是摆脱np.nonzero调用，并像在Matlab中一样使用逻辑索引。这是一个例子。（我使用的是形状相同的随机数据，仅供参考）。

>>> data = np.random.randn(5, 5000)
>>> start, end = -0.5, 0.5
>>> ioi = (data[0] > start) & (data[0] < end)
>>> print(ioi.shape)
(5000,)
>>> print(ioi.sum())
1900
>>> print(data[:, ioi].shape)
(5, 1900)

通常不需要np.nonzero调用。就像Matlab的find函数一样，它比逻辑索引慢，并且通常可以通过逻辑索引更有效地实现目标。 np.nonzero与find一样，仅应在需要实际索引值本身时使用。

您怀疑过大的原因是元组的处理方式与NumPy中其他类型的索引数组的处理方式不同。这是为了允许更灵活的索引，例如使用slice，椭圆等。更详细的说明，请参见this useful page，尤其是最后一部分。

至少有两个其他选项可以解决此问题。一种是将ioi返回的np.nonzero数组直接用作数据数组的 only 索引。如：self.data_array[ioi]。之所以具有额外的维度，部分原因是您的调用中实际上有两个索引集：切片（:）和元组ioi。出于这个原因，保证np.nonzero完全返回一个元组，以便始终可以将其输出直接用于对源数组进行索引。

最后一个选择是在返回的数组上调用np.squeeze，但我会选择上面的一个。

过滤的Numpy阵列更改尺寸数

1 个答案: