不丢失维度信息的Numpy索引切片

Question

我正在使用numpy，并希望在不丢失维度信息的情况下索引一行。

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)  

在这个例子中，xslice现在是1维的，但我希望它是（1,10）的维度。 在R中，我会使用X [10,:, drop = F]。在numpy中是否有类似的东西。我在文档中找不到它，并且没有看到类似的问题被问到。

谢谢！

- mindmatters

Answer 1

另一个解决方案是执行

X[[10],:]

或者

I = array([10])
X[I,:]

当使用索引列表（或数组）进行索引时，数组的维度将被保留。这很好因为它让你可以选择保留维度或者压缩。

- gnebehay

---

这将复制数组数据。 - Per

这并不总是适用。例如：x = np.array([[1,2,3,4]])，如果你用 x[[0],[1,2]] 对其进行切片，你将获得一维数组 array([2, 3]) 。我认为，在选择列向量或行向量时，最好使切片简单化，然后使用 np.reshape。因此，在我的示例中，它将是 np.reshape(x[0,[1,2]],[1,2])。 - Alexander

其他人请注意，末尾的分号非常重要。X[[10]]会被解释为X[10]，并且形状会变小；同样，X[[10, 20]] == X[10, 20]，形状更小。 - Ben Usman

警告：不要将这种索引方式与普通的整数索引混淆！如果您有形状为（10，20，30）的 a，那么 a[0, :, [0]] 的形状将为 (1, 20) 而不是 (20, 1)，因为后者中的索引会被广播到 a[[0], :, [0]]，这通常不是您所期望的！而 a[0, :, :1] 将按预期给出 (20, 1)。此外，请参见上面的注释以了解单个索引的奇怪边缘情况。总体而言，似乎这种方法具有过多的边缘情况。 - Ben Usman

Answer 2

最简单的方法可能是使用 x[None, 10, :] 或等价的（但更易读的）x[np.newaxis, 10, :]。 None 或 np.newaxis 将数组的维度增加1，这样在切片消除一个维度后，就回到原来的状态了。

至于为什么它不是默认值，个人认为，经常拥有单例维度的数组会很快变得烦人。我猜测 numpy 开发人员也有同感。

此外，numpy 能够很好地处理广播数组，因此通常没有保留切片所来自的数组的维度的必要。如果这样做了，那么像下面这样的东西：

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

两者都不会起作用，或者实现起来会更加困难。(至少这是我猜测numpy开发人员在切片时放弃维度信息的原因)

- Joe Kington

---

@Lisa: x[None, 10] 可以满足你的需求。 - naught101

好的。在您切割的维度旁边放上 None。 - Mad Physicist

这个示例在对b进行赋值时，元组缺少额外的括号; 应该是b = np.zeros((100,10))。 - Jerzy

为什么要使用三个索引而不是两个？我的意思是 X[10,None]（以您的代码为例）。 - greenoldman

“通常情况下，保留数组的维度往往没有多大意义。”……但是这样做肯定会完全搞砸矩阵乘法（np.matmul()或@）。我就因为这个问题而受到了打击。 - Jean-François Corbett

Answer 3

我找到了几个合理的解决方案。

1）使用numpy.take(X,[10],0)

2）使用这种奇怪的索引方式X[10:11:, :]

理想情况下，这应该是默认设置。我从来没有理解为什么会有维度被丢弃。但这是一个关于Numpy的讨论...

- mindmatters

---

在 Python 列表中，当进行索引操作时，“维度”会被删除，而在切片操作时则会保留。例如，alist[0] 只返回一个元素，而 alist[0:1] 返回一个列表。 - hpaulj

应该接受 Option 2 作为答案，它可以写成 slice(n, n+1) 来提取索引 n，因为它是唯一自然地扩展到 n 维情况的方法。 - norok2

在Python 3.7.5中，选项2似乎可以写成X[10:11, :]（即11后面没有额外的冒号）。 - Joe

Answer 4

我更喜欢的另一种方式是使用范围来索引，而不是使用单个数字进行索引。也就是说，使用X[10:11,:]。（注意10:11不包括11）。

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

这也使得更高维度的理解更加容易，没有None的翻转和弄清楚使用哪个轴来使用哪个索引。此外，无需进行有关数组大小的额外簿记，只需对于常规索引中使用的任何i，使用i:i+1即可。

b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape  # >> (1, 3, 4)
b[:, 2:3, :].shape .  # >> (2, 1, 4)

- Andrew Schwartz

---

这太棒了。我刚刚发现了自己保持尺寸的方法，本来想建议一下，但看到你已经发布了。我认为这应该是最好的回复，而不是那些并不真正有效的回复。 - Daniel Morris

Answer 5

除了gnebehay提出的通过列表或数组进行索引的解决方案（链接），还可以使用元组：

X[(10,),:]

- leilu

Answer 6

如果您正在按可能在运行时长度为1的数组进行索引，则特别令人恼火。对于这种情况，有np.ix_：

some_array[np.ix_(row_index,column_index)]

- Jthorpe

Answer 7

我一直在使用np.reshape来实现如下所示的相同效果

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:].reshape(1, -1)
xslice.shape   # >> (1, 10)  

- Saikiran Kannaiah