具有已知最小、最大索引的一维数组的 Numpy 2D 索引

Question

我有一个 False 布尔值的 1D numpy 数组，以及一个 2D numpy 数组，其中包含第一个数组中要更改为 True 的值的最小、最大索引。

一个例子：

my_data = numpy.zeros((10,), dtype=bool)
inds2true = numpy.array([[1, 3], [8, 9]])

我想要以下结果：

out = numpy.array([False, True, True, True, False,  False,  False,  False, True, True])

在带有 Numpy 的 Python 中这怎么可能？

编辑：我希望一步完成（即不循环）。

Answer 1

import numpy as np
my_data = np.zeros((10,), dtype=bool)
inds2true = np.array([[1, 3], [8, 9]])
indeces = []
for ix_range in inds2true:
    indeces += list(range(ix_range[0], ix_range[1] + 1))
my_data[indeces] = True

Answer 2

有一个违反规则的黑客：

my_data[inds2true] = True
my_data = np.cumsum(my_data) % 2 == 1
my_data
>>> array([False,  True,  True, False, False, False, False, False,  True, False])

最常见的做法是更改 np.arange([1, 3]) 和 np.arange([8, 9]) 内的索引，不包括 3 或 9。如果您仍想包括它们，请添加：my_data[inds2true[:, 1]] = True

如果您正在寻找其他选项来一次性完成，最有可能包括np.cumsum 技巧。