使用 python 范围对象索引到 numpy 数组答案

【问题标题】：Using python range objects to index into numpy arrays使用 python 范围对象索引到 numpy 数组
【发布时间】：2018-11-02 17:07:42
【问题描述】：

我以前看过一两次，但我似乎找不到任何官方文档：Using python range objects as indices in numpy。

import numpy as np
a = np.arange(9).reshape(3,3)
a[range(3), range(2,-1,-1)]
# array([2, 4, 6])

让我们触发一个索引错误，以确认范围不在合法索引方法的官方范围（双关语）内：

a['x']

# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
# IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and integer or boolean arrays are valid indices

现在，numpy 和它的文档之间的细微差异并非完全闻所未闻，也不一定表明某个功能不是有意的（参见例如 here）。

那么，有没有人知道为什么会这样？如果它是一个预期的功能，那么确切的语义是什么/它有什么用？是否有任何 ND 概括？

【问题讨论】：

我从没见过这个；它被用于任何有信誉的图书馆吗？
numpy 早于 Python 3。在 Python 2 中，range(3) 是一个整数列表，numpy 将其视为“类数组”。如果 numpy 没有在 Python 3 中以向后兼容的方式处理它，那将是一团糟。
“那么，有没有人知道为什么会这样？” 这是一个不错的功能，非正式地称为“花式”索引，在文档中称为 @987654322 @.
@WarrenWeckesser 没错，上面写着(...) a non-tuple sequence object（虽然non-tuple sequence (such as a list) containing slice objects 似乎会触发基本索引）。不知道如果IndexError 没有被提出，为什么它应该挂起，但无论如何。我认为您可以将其作为答案。
可能是索引尝试将np.asarray(x) 与range(3) 和[0,1,2] 一起使用。其他事情会产生错误或对象 dtype 数组。 @WarrenWeckesser，很好地说明了与 Py2 的 range 版本的兼容性。

标签： python numpy array-indexing

【解决方案1】：

不是一个正确的答案，但评论太长了。

事实上，它似乎适用于任何可索引的对象：

import numpy as np

class MyIndex:
    def __init__(self, n):
        self.n = n
    def __getitem__(self, i):
        if i < 0 or i >= self.n:
            raise IndexError
        return i
    def __len__(self):
        return self.n

a = np.array([1, 2, 3])
print(a[MyIndex(2)])
# [1 2]

我认为 NumPy 代码中的相关行在core/src/multiarray/mapping.c 中的此评论下方：

/*
 * Some other type of short sequence - assume we should unpack it like a
 * tuple, and then decide whether that was actually necessary.
 */

但我不完全确定。出于某种原因，如果您删除 if i < 0 or i >= self.n: raise IndexError，即使存在 __len__，它也会挂起，因此在某些时候它似乎会遍历给定对象，直到引发 IndexError。

【讨论】：

它的迭代与它实际上相当慢是一致的，例如与使用aranges 的索引相比。

【解决方案2】：

只是总结一下（感谢 cmets 中的@WarrenWeckesser）：实际上记录了这种行为。只需意识到range 对象是python 序列in the strict sense。

所以这只是一个花式索引的例子。但请注意，它非常缓慢：

>>> a = np.arange(100000)
>>> timeit(lambda: a[range(100000)], number=1000)
12.969507368048653
>>> timeit(lambda: a[list(range(100000))], number=1000)
7.990526253008284
>>> timeit(lambda: a[np.arange(100000)], number=1000)
0.22483703796751797

【讨论】：