Question

我有t.shape=(M, N)，现在我想给数组的一部分分配新值v，该数组用变量m和n进行索引。 m是一个数组，n是int还是数组。如果m=m.reshape(-1, 1)是一个数组，我会做n。对于像这样的访问，效果很好

t[m, n]

然后我可以使用

np.squeeze(t[m, n])

删除之前添加的其他尺寸（如果n为int）。

但是，如果我这样做

t[m, n] = v

它将不起作用，因为如果n为int，则v.shape=(m.size,)，即v仅具有一个维度。我可以检查n是否为整数，并相应地更改逻辑（既不向m添加维，也不向v添加维）。

是否有一个更优雅的解决方案（np.squeeze(t[m, n]) = v会很好，但是显然不是这样）？

编辑：

具体示例：

def change_data(data, slices, channels, values):
    data[slices.reshape(-1, 1), channels] = values

data = np.random.randint(low=0, high=10, size=(10, 4))
slices = np.arange(4)
channels = [2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels)))) # The values come as a list
try:
    change_data(data, slices, channels, values) # Does not work
    print("Single channel does work")
except:
    print("Single channel does not work")
channels = [1, 2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels))))
try:
    change_data(data, slices, channels, values) # Works
    print("Multi channel does work")
except:
    print("Multi channel does not work")

在这个简单的示例中，这看起来有点荒谬，因为我在这里有一个额外的np.squeeze操作，但是根据数组的维数，这可能有点麻烦，因此如果我可以“挤压”一下索引选择，问题就解决了。我希望现在更清楚...

Answer 1

In [44]: data = np.arange(40).reshape(10,4)

通过制作第一个索引（4,1）形状，我们可以使用各种大小的第二个数组进行索引：

In [46]: data[np.arange(4)[:,None],[2]]                                                   
Out[46]: 
array([[ 2],
       [ 6],
       [10],
       [14]])
In [47]: data[np.arange(4)[:,None],[1,2]]                                                 
Out[47]: 
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]])

第一个结果是（4,1）形状，第二个结果是（4,2）。

使用squeeze，我们得到（4，），相当于索引：

In [48]: data[np.arange(4),2]                                                             
Out[48]: array([ 2,  6, 10, 14])

np.ix_会生成类似的索引集，例如（4,1）和（1,2）

In [49]: np.ix_(np.arange(4),[1,2])                                                       
Out[49]: 
(array([[0],
        [1],
        [2],
        [3]]), array([[1, 2]]))

和（4,1）与（1,1）：

In [50]: np.ix_(np.arange(4),[2])                                                         
Out[50]: 
(array([[0],
        [1],
        [2],
        [3]]), array([[2]]))

（m，1）广播（1，n）以产生（m，n）结果。（n，）和（1，n）一样好-还是广播规则。

通过更改，您想为那个（m，n）块分配一个值。在这种情况下，（4,2）和（4,1）一样起作用。但是您想分配一个（4，）。但是通过广播（4，）可以广播到（1,4），但不能广播（4,1）。它可以添加前导尺寸，但不能添加尾随尺寸。

In [51]: data[np.arange(4)[:,None],[2]]=np.ones(4)                                        
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-51-9245de6331ce> in <module>
----> 1 data[np.arange(4)[:,None],[2]]=np.ones(4)

ValueError: shape mismatch: value array of shape (4,) could not be 
    broadcast to indexing result of shape (4,1)
In [52]: data[np.arange(4)[:,None],[2]] = np.ones((4,1))    # (4,1) into (4,1)
# (4,1) also goes into a (4,2)
In [53]: data[np.arange(4),[2]] = np.ones(4)   # (4,) into (4,)
In [55]: data[np.arange(4)[:,None],[1,2]] = np.zeros(2)  # (2,) into (4,2)

flat可用于以1d方式分配值，但是在这里不起作用，因为data[np.arange(4)[:,None],[1,2]]是副本，如果以任何方式使用，除非直接在{{1}中使用} __setitem__。

np。挤压任务

1 个答案: