这是 numpy 如何使用高级索引来广播数组形状。当您将第一个索引传递为
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()
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])
[
x[0,:,:,y[0]],
x[0,:,:,y[1]],
x[0,:,:,y[2]]
]
rows = np.array([0, 0, 0])
cols = y
x[rows,:,:,cols]
[
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]]
array([[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]])
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]
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
(2, 3, 3, 4)
ix = np.array([[0,0,0], [1,1,1]])
x[ix,:,:,y].shape
(2, 3, 3, 4)
ix = np.array([[0], [1], [0], [1], [0]])
x[ix,:,:,y].shape
(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
编辑:
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
(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])
True
np.shares_memory(x, x[:,:,:,y])
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
(2, 50, 3)
np.shares_memory(x, x[0,:,:,0:21:10])
True
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。