numpy 数组的古怪行为

Question

希望有人可以向我解释我在 numpy 数组中观察到的以下行为：

>>> import numpy as np
>>> data_block=np.zeros((26,480,1000))
>>> indices=np.arange(1000)
>>> indices.shape
(1000,)
>>> data_block[0,:,:].shape
(480, 1000)            #fine and dandy
>>> data_block[0,:,indices].shape
(1000, 480)            #what happened????  why the transpose????
>>> ind_slice=np.arange(300)    # this is more what I really want.
>>> data_block[0,:,ind_slice].shape
(300, 480)     # transpose again!   arghhh!

我不理解这种转置行为，这对于我想做的事情非常不方便。谁能给我解释一下？获取data_block 子集的另一种方法将是一个很好的奖励。

Answer 1

您可以通过这种方式达到您想要的结果：

>>> data_block[0,:,:][:,ind_slice].shape
(480L, 300L)

我承认我不完全了解 numpy 索引的工作原理，但 the documentation 似乎暗示了您遇到的麻烦：

在切片元组中具有多个 non-: 条目的基本切片，就像使用单个 non-: 条目重复应用切片一样，其中 non-: 条目被连续获取（所有其他 non-: 条目被替换经过 ：）。因此，x[ind1,...,ind2,:] 在基本切片下的行为类似于 x[ind1][...,ind2,:]。

警告：以上不适用于高级切片。

和。 . .

在选择对象，OBJ是非元组序列对象，NDARRAY（数据类型整数或BOOL）或具有至少一个序列对象或NDARRAY（数据类型整数）的元组时触发高级索引布尔）。

因此，您通过使用 ind_slice 数组而不是常规切片进行索引来触发该行为。

文档本身说这种索引“可能有点令人难以置信的理解”，所以我们都遇到这个问题也就不足为奇了:-)。

Answer 2

一旦您了解了花哨的索引是如何工作的，就没什么好惊讶的了。如果您有列表或数组作为索引，它们必须都具有相同的形状，或者可以广播到一个共同的形状。该形状将是返回数组的基本形状。如果存在切片的索引，则基本形状数组中的每个条目都是多维的，因此基本形状会通过额外的条目进行扩展。虽然这似乎是一个奇怪的选择，但它确实是唯一符合多维花式索引的选择。例如，如果您执行以下操作，请尝试计算您期望的返回形状：

>>> ind_slice=np.arange(16).reshape(4, 4)
>>> data_block[ind_slice, :, ind_slice].shape
(4, 4, 480) # No, (4, 4, 480, 4, 4) is not a better option

有几种方法可以得到你所追求的。对于您问题中的特定情况，最明显的是不使用花哨的索引，因为您可以通过切片获得您所要求的内容：

>>> data_block[0, :, :300].shape
(480, 300)

如果您确实需要花哨的索引，可以将切片替换为可广播的数组：

>>> data_block[0, np.arange(480)[:, None], ind_slice].shape
(480, 300)

如果您需要用数组替换更复杂的切片，您可能需要查看np.ogrid 和np.mgrid。