我有一个形状为(2,2,50,100)的变量x。
我还有一个等于np.array([0,10,20])的数组y。当我使用x[0,:,:,y]进行索引时，出现了奇怪的事情。
x = np.full((2,2,50,100),np.nan)
y = np.array([0,10,20])
print(x.shape)
(2,2,50,100)
print(x[:,:,:,y].shape)
(2,2,50,3)
print(x[0,:,:,:].shape)
(2,50,100)
print(x[0,:,:,y].shape)
(3,2,50)
0，并将最后一个索引传递为 y 时，numpy 将广播 0 以与 y 相同的形状。以下等式成立：x[0,:,:,y] == x[(0, 0, 0),:,:,y]。这里有一个例子。
import numpy as np
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
np.equal(x[0,:,:,y], x[(0, 0, 0),:,:,y]).all()
# returns:
True
现在，因为您有效地传入了两组索引，所以您正在使用高级索引API来形成（在此情况下）索引对。
x[(0, 0, 0),:,:,y])
# equivalent to
[
x[0,:,:,y[0]],
x[0,:,:,y[1]],
x[0,:,:,y[2]]
]
# equivalent to
rows = np.array([0, 0, 0])
cols = y
x[rows,:,:,cols]
# equivalent to
[
x[r,:,:,c] for r, c in zip(rows, columns)
]
第一维与y的长度相同，这就是你看到的。
例如，看看下一个块中描述的具有4个维度的数组：
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
# x looks like:
array([[[[ 0, 1, 2, 3, 4], -+ =+
[ 5, 6, 7, 8, 9], Sheet1 |
[ 10, 11, 12, 13, 14], | |
[ 15, 16, 17, 18, 19]], -+ |
Workbook1
[[ 20, 21, 22, 23, 24], -+ |
[ 25, 26, 27, 28, 29], Sheet2 |
[ 30, 31, 32, 33, 34], | |
[ 35, 36, 37, 38, 39]], -+ |
|
[[ 40, 41, 42, 43, 44], -+ |
[ 45, 46, 47, 48, 49], Sheet3 |
[ 50, 51, 52, 53, 54], | |
[ 55, 56, 57, 58, 59]]], -+ =+
[[[ 60, 61, 62, 63, 64],
[ 65, 66, 67, 68, 69],
[ 70, 71, 72, 73, 74],
[ 75, 76, 77, 78, 79]],
[[ 80, 81, 82, 83, 84],
[ 85, 86, 87, 88, 89],
[ 90, 91, 92, 93, 94],
[ 95, 96, 97, 98, 99]],
[[100, 101, 102, 103, 104],
[105, 106, 107, 108, 109],
[110, 111, 112, 113, 114],
[115, 116, 117, 118, 119]]]])
x有一个非常易于理解的顺序形式，我们现在可以使用它来展示正在发生的事情...
第一个维度就像有两个Excel工作簿，第二个维度就像每个工作簿中有三个工作表，第三个维度就像每个工作表中有四行，最后一个维度是每行（或每个工作表的列）有五个值。
用这种方式看待，请求x [0,:,:，0]相当于说：“在第一个工作簿中，对于每个工作表，对于每一行，给我第一个值/列。”
x[0,:,:,y[0]]
# returns:
array([[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]])
# this is in the same as the first element in:
x[(0,0,0),:,:,y]
但是现在有了先进的索引，我们可以将x [(0,0,0),:,:,y]理解为“在第一个工作簿中，对于每个工作表，对于每一行，在给我第y列的值。好的，现在对于每个y的值都这样做。”
x[(0,0,0),:,:,y]
# returns:
array([[[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]],
[[ 2, 7, 12, 17],
[22, 27, 32, 37],
[42, 47, 52, 57]],
[[ 4, 9, 14, 19],
[24, 29, 34, 39],
[44, 49, 54, 59]]])
numpy将进行广播以匹配索引数组的外部维度，这就是疯狂的地方。因此，如果要对“Excel工作簿”进行相同的操作，则无需循环和连接两个工作簿，只需将数组传递到第一个维度即可，但它必须具有兼容的形状。
传递整数将被广播为y.shape == (3,)。如果您想将数组作为第一个索引传递，那么仅需要该数组的最后一个维度与y.shape兼容即可。也就是说，第一个索引的最后一个维度必须为 3 或 1。
ix = np.array([[0], [1]])
x[ix,:,:,y].shape
# each row of ix is broadcast to length 3:
(2, 3, 3, 4)
ix = np.array([[0,0,0], [1,1,1]])
x[ix,:,:,y].shape
# this is identical to above:
(2, 3, 3, 4)
ix = np.array([[0], [1], [0], [1], [0]])
x[ix,:,:,y].shape
# ix is broadcast so each row of ix has 3 columns, the length of y
(5, 3, 3, 4)
在文档中找到了一个简短的解释：https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html#combining-advanced-and-basic-indexing
从原问题出发，要获取所需子切片的一行代码为：x[0][:,:,y]。
x[0][:,:,y].shape
# returns
(2, 50, 3)
然而，如果您尝试对这些子数组进行赋值，则必须非常小心，确保您正在查看原始数组的共享内存视图。否则，赋值将不会针对原始数组进行，而是针对副本进行。
仅当您使用整数或切片对数组进行子集化时才会发生共享内存，例如x [:，0:3，：，：]或x [0，：，：，1：-1]。
np.shares_memory(x, x[0])
# returns:
True
np.shares_memory(x, x[:,:,:,y])
# returns:
False
在你的原始问题和我的例子中，y 都不是一个 int 或者 slice，因此总会最终分配给原始变量的一个副本。
但是！因为 y 的数组可以表示为一个切片，所以你实际上可以通过以下方式获得可分配的数组视图：
x[0,:,:,0:21:10].shape
# returns:
(2, 50, 3)
np.shares_memory(x, x[0,:,:,0:21:10])
# returns:
True
# actually assigns to the original array
x[0,:,:,0:21:10] = 100
在这里，我们使用切片0:21:10来获取range(0,21,10)中的每个索引。我们必须使用21而不是20，因为停止点在切片中被排除，就像在range函数中一样。
所以基本上，如果您可以构造符合子切片条件的切片，您就可以进行赋值。
In [239]: np.broadcast(0,y).shape
Out[239]: (3,)
这个(3,)添加到第二和第三维的开头，以创建(3, 2, 50)
为了验证第一个和最后一个维度确实一起广播，你可以尝试将0更改为[0,1]，看看会出现广播错误。
print(x[[0,1],:,:,y])
Output:
IndexError Traceback (most recent call last)
<ipython-input-232-5d10156346f5> in <module>
----> 1 x[[0,1],:,:,y]
IndexError: shape mismatch: indexing arrays could not be broadcast together with
shapes (2,) (3,)