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...
答案 0 :(得分: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__
。