这个 numpy 数组索引的较短版本答案

【问题标题】：Shorter version of this numpy array indexing这个 numpy 数组索引的较短版本
【发布时间】：2016-10-20 06:07:47
【问题描述】：

我在 python 中有以下代码（numpy 数组或 scipy.sparse.matrices），它可以工作：

X[a,:][:,b]

但它看起来并不优雅。 'a' 和 'b' 是一维布尔掩码。

'a' 与 X.shape[0] 的长度相同，'b' 与 X.shape[1] 的长度相同

我尝试了X[a,b]，但它不起作用。

我想要完成的是同时选择特定的行和列。例如，选择第 0,7,8 行，然后从该结果中选择第 2,3,4 列中的所有行

你会如何让它更短更优雅？

【问题讨论】：

不，这是一个二维矩阵。
您使用的是 NumPy 数组还是 NumPy 矩阵？
X 是一个 scipy 稀疏矩阵，但我认为索引与密集 numpy 数组矩阵中的索引相同。
NumPy 数组与 NumPy 矩阵是不同的东西。见这里：stackoverflow.com/questions/4151128/…
好的。我不使用numpy矩阵，我现在改了标题。

标签： python numpy matrix indexing

【解决方案1】：

您可以将np.ix_ 用于这样的broadcasted indexing，就像这样 -

X[np.ix_(a,b)]

虽然这不会比原始代码短，但希望应该更快。这是因为我们避免了中间输出，因为原始代码使用一个切片创建 X[a,:]，然后另一个切片 X[a,:][:,b] 为我们提供最终输出。

此外，此方法适用于 a 和 b 作为 int 和 boolean 数组。

示例运行

In [141]: X = np.random.randint(0,99,(6,5))

In [142]: m,n = X.shape

In [143]: a = np.in1d(np.arange(m),np.random.randint(0,m,(m)))

In [144]: b = np.in1d(np.arange(n),np.random.randint(0,n,(n)))

In [145]: X[a,:][:,b]
Out[145]: 
array([[17, 81, 64],
       [87, 16, 54],
       [98, 22, 11],
       [26, 54, 64]])

In [146]: X[np.ix_(a,b)]
Out[146]: 
array([[17, 81, 64],
       [87, 16, 54],
       [98, 22, 11],
       [26, 54, 64]])

运行时测试

In [147]: X = np.random.randint(0,99,(600,500))

In [148]: m,n = X.shape

In [149]: a = np.in1d(np.arange(m),np.random.randint(0,m,(m)))

In [150]: b = np.in1d(np.arange(n),np.random.randint(0,n,(n)))

In [151]: %timeit X[a,:][:,b]
1000 loops, best of 3: 1.74 ms per loop

In [152]: %timeit X[np.ix_(a,b)]
1000 loops, best of 3: 1.24 ms per loop

【讨论】：

在我的例子中，'a' 和 'b' 是布尔掩码。
查看ix_ 的输出，看看没有它怎么办。
np.ix_ 将np.nonzero 应用于布尔参数，将它们转换为索引。