numpy中跨行的多维索引（避免广播）答案

【问题标题】：Multidimensional indexing across rows in numpy (avoiding broadcasting)numpy中跨行的多维索引（避免广播）
【发布时间】：2018-09-21 16:53:56
【问题描述】：

我正在尝试用另一个二维 numpy ndarray 索引一个二维 numpy ndarray。

我想要的效果是为索引数组中的每一行选择被索引数组的对应行中的元素。也就是说，我希望第 i 行或我的索引数组索引被索引数组的第 i 行的元素（但没有其他行）。

然而，目前看来，当我尝试索引我的数组时，索引数组正在被索引的数组的每一行广播。

我正在使用的数组是 (3, 1001) 数组和 (3, 5) 数组。我正在尝试用 (3, 5) 数组索引 (3, 1001) 数组，并从被索引的数组的每个 1001 维行中选择 5 个元素。

例如，这是我想要的行为：

predictions_val[0][top_5[0]]
array([ 0.00222665,  0.00606673,  0.03681596,  0.85334235,  0.01018796], dtype=float32)

predictions_val[1][top_5[1]]
array([ 0.00106781,  0.00407206,  0.026693  ,  0.90732217,  0.0234713 ], dtype=float32)

predictions_val[2][top_5[2]]
array([ 0.00112946,  0.0016792 ,  0.06700196,  0.00367496,  0.87981129], dtype=float32)

这是我尝试同时索引时的行为：

predictions_val[:,top_5]
array([[[  2.22665281e-03,   6.06672745e-03,   3.68159562e-02,
           8.53342354e-01,   1.01879649e-02],
        [  5.12826555e-05,   8.53342354e-01,   1.41255208e-03,
           2.77817919e-04,   1.01879649e-02],
        [  2.17145571e-04,   2.77817919e-04,   8.53342354e-01,
           1.41255208e-03,   1.01879649e-02]],

       [[  5.50073055e-05,   8.74355683e-05,   2.71841218e-05,
           4.07205941e-03,   2.34712958e-02],
        [  1.06781046e-03,   4.07205941e-03,   2.66929977e-02,
           9.07322168e-01,   2.34712958e-02],
        [  5.84539608e-04,   9.07322168e-01,   4.07205941e-03,
           2.66929977e-02,   2.34712958e-02]],

       [[  1.05086729e-04,   2.83752568e-04,   7.68712547e-04,
           6.70019612e-02,   8.79811287e-01],
        [  4.69864433e-04,   6.70019612e-02,   3.67495860e-03,
           1.67920033e-03,   8.79811287e-01],
        [  1.12945912e-03,   1.67920033e-03,   6.70019612e-02,
           3.67495860e-03,   8.79811287e-01]]], dtype=float32)

我想要的每一行都存在于返回的数组中，但似乎 top_5 数组正在跨行广播。

【问题讨论】：

看看这是否适合你 - stackoverflow.com/questions/37878946/…

标签： numpy

【解决方案1】：

您必须正确索引您的数据。 np.indices 可以提供帮助：

pred=rand(3,1001)
top=randint(0,1001,(3,5))

I,J=indices(top.shape)
res=pred[I,top]

那么res[i] for i in {0,1,2} 就是你想要的。

【讨论】：

【解决方案2】：

你应该可以做类似下面的事情；

X = ... # your data, shape (3,1001)
idx = ... # the wanted indices, shape (3,5)

# reshape idx to (2,idx.shape[0]*idx.shape[1])
idx = np.array([[i,index] for i in range(X.shape[0]) for index in idx[i]]).tranpose()

Wanted = X[idx[0],idx[1]]

这将创建一个数组 idx，其中第一行是 X 中的所需行，第二行是 X 中的所需列。

【讨论】：