Question

a = np.zeros((5,4,3))
v = np.ones((5, 4), dtype=int)
data = a[v]
shp = data.shape

此代码为shp==(5,4,4,3)

我不明白为什么。如何输出更大的数组？对我来说毫无意义，并且很想解释。

Answer 1

这被称为advanced indexing。高级索引使您可以基于N维索引在输入数组中选择任意元素。

让我们使用另一个示例使其更清楚：

a = np.random.randint(1, 5, (5,4,3))
v = np.ones((5, 4), dtype=int)

在这种情况下说a是：

array([[[2, 1, 1],
        [3, 4, 4],
        [4, 3, 2],
        [2, 2, 2]],

       [[4, 4, 1],
        [3, 3, 4],
        [3, 4, 2],
        [1, 3, 1]],

       [[3, 1, 3],
        [4, 3, 1],
        [2, 1, 4],
        [1, 2, 2]],
        ...

通过索引np.ones数组：

print(v)

array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

您将简单地沿第一轴用a索引1多达v。当您这样做时，换一种说法：

a[1]

[[4, 4, 1],
 [3, 3, 4],
 [3, 4, 2],
 [1, 3, 1]]

您正在沿第一个轴分度，因为没有沿附加轴指定分度。这与进行a[1, ...]相同，即沿其余轴取一整片。因此，通过用2D数组组成的索引，可以将上述2D个数组(5, 4)堆叠在一起，得到形状为(5, 4, 4, 3)的ndarray。换句话说，a[1]的形状为(4,3)，堆积了5*4=20次。

因此，在这种情况下，您将得到：

array([[[[4, 4, 1],
         [3, 3, 4],
         [3, 4, 2],
         [1, 3, 1]],

        [[4, 4, 1],
         [3, 3, 4],
         [3, 4, 2],
         [1, 3, 1]],
         ...

Answer 2

a是具有2维的数组 v是具有3维的数组数据是4维数组

当您使用2维数组访问3维数组时，会为其添加一个维。

想象一下，您为3d空间中的每个点应用了2d空间，它将为3d空间添加另一个尺寸。创建更大的4d空间。

那只是我的猜测，我真的是专家的对立面，所以我要回答我的问题哈哈！

Answer 3

v的值是：

[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

每个1都在a中索引一个完整的“行”，但是所说“行”中的每个“元素”都是一个矩阵。因此v中的每个“行”都在a中索引了“矩阵”的“行”。（这对您有意义吗？？）

所以您得到5 * 4 1，每个都是4 * 3的“矩阵”。

如果您将zeroes定义为a而不是a = np.arange(5*4*3).reshape((5, 4, 3)) 可能更容易理解，因为您可以看到正在选择a的哪些部分：

import numpy as np

a = np.arange(5*4*3).reshape((5, 4, 3))
v = np.ones((5,4), dtype=int)
data = a[v]
print(data)

（输出时间很长，我不想将其粘贴到此处）

用低暗的索引数组索引numpy数组会产生比两者都高的暗的数组

3 个答案: