如何理解 numpy 的组合切片和索引示例答案

【问题标题】：How to understand numpy's combined slicing and indexing example如何理解 numpy 的组合切片和索引示例
【发布时间】：2016-10-05 05:29:20
【问题描述】：

我正在尝试了解 numpy 的组合切片和索引概念，但是我不确定如何从 numpy 的输出中正确获取以下结果（手动以便我们了解 numpy 进程如何组合切片和索引，哪个是先处理？）：

>>> import numpy as np
>>> a=np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> i=np.array([[0,1],[2,2]])
>>> a[i,:]
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [ 8,  9, 10, 11]]])
>>> j=np.array([[2,1],[3,3]])
>>> a[:,j]
array([[[ 2,  1],
        [ 3,  3]],

       [[ 6,  5],
        [ 7,  7]],

       [[10,  9],
        [11, 11]]])
>>> aj=a[:,j]
>>> aj.shape
(3L, 2L, 2L)

上面的输出让我对aj的形状如何变成（3,2,2）有点困惑，非常感谢任何详细的解释，谢谢！

【问题讨论】：

标签： python arrays numpy indexing

【解决方案1】：

每当您使用索引数组时，结果都具有与索引相同的形状；例如：

>>> x = np.ones(5)
>>> i = np.array([[0, 1], [1, 0]])
>>> x[i]
array([[ 1.,  1.],
       [ 1.,  1.]])

我们使用 2x2 数组进行索引，结果是 2x2 数组。当与切片组合时，切片的大小将被保留。例如：

>>> x = np.ones((5, 3))
>>> x[i, :].shape
(2, 2, 3)

第一个示例是 2x2 项目数组，此示例是（长度为 3）行的 2x2 数组。

切换切片顺序时也是如此：

>>> x = np.ones((5, 3))
>>> x[:, i].shape
(5, 2, 2)

这可以被认为是五个 2x2 数组的列表。

请记住：当使用列表或数组索引任何维度时，结果具有索引的形状，而不是输入的形状。

【讨论】：

感谢您的回答，您能否推荐任何关于numpy索引和切片的好的参考来源？ numpy 的参考手册好像不够详细。
我在我的书中详细讨论了它，这本书将很快作为 Jupyter 笔记本的集合免费提供：github.com/jakevdp/PythonDataScienceHandbook

【解决方案2】：

a[:,j][0] 等价于 a[0,j] 或 [0, 1, 2, 3][j] 给你[[2, 1], [3, 3]])

a[:,j][1] 等价于 a[1,j] 或 [4, 5, 6, 7][j] 给你[[6, 5], [7, 7]])

a[:,j][2] 等价于 a[2,j] 或 [8, 9, 10, 11][j] 给你[[10, 9], [11, 11]])

【讨论】：