logo标签列表

使用2个索引列表对2D Numpy数组进行索引

pythonarraysnumpy
45

我有一个奇怪的情况。

我有一个2D Numpy数组，x：

x = np.random.random_integers(0,5,(20,8))

我有两个索引器——一个用于行的索引，另一个用于列的索引。为了对X进行索引，我必须执行以下操作：

row_indices = [4,2,18,16,7,19,4]
col_indices = [1,2]
x_rows = x[row_indices,:]
x_indexed = x_rows[:,column_indices]

不要只是:

x_new = x[row_indices,column_indices]

（由于出错，无法使用广播方式进行传输 (20,) 和 (2,) ）

我想用广播方式在一行中进行索引，因为这样可以保持代码清晰易读......另外，我并不太了解Python的底层知识，但据我所知，一行完成应该更快（而且我将使用相当大的数组）。

测试案例：

x = np.random.random_integers(0,5,(20,8))

row_indices = [4,2,18,16,7,19,4]
col_indices = [1,2]
x_rows = x[row_indices,:]
x_indexed = x_rows[:,col_indices]

x_doesnt_work = x[row_indices,col_indices]
包括一个示例案例？ - Divakar
1
挑剔一点：np.random.randint(0, 6)比np.random.random_integers(0, 5)更受欢迎。 - Mad Physicist
那种情况的预期输出是什么？ - Divakar
我期望的是 x_indexed...因此，我需要根据索引获取行，列由列索引指定。 - Chris
3
请尝试以下代码：x_new = x[row_indices,:][:,col_indices]。 - Dataman
显示剩余3条评论
5个回答
57

使用索引或布尔数组/掩码进行选取或赋值的np.ix_

1. 使用索引数组

A. 选取

我们可以使用np.ix_获得一个元组形式的索引数组，它们可以相互广播以产生更高维度的索引组合。因此，当该元组用于对输入数组进行索引时，将会得到相同的高维数组。因此，如果要基于两个1D索引数组进行选取，则可以采用以下方式 - 

x_indexed = x[np.ix_(row_indices,col_indices)]

B. 赋值

我们可以使用相同的符号将标量或可传播数组赋值给这些索引位置。因此，以下内容适用于赋值 -

x[np.ix_(row_indices,col_indices)] = # scalar or broadcastable array

2. 使用masks

我们也可以使用布尔数组/掩码与np.ix_一起使用，类似于索引数组的使用。这也可用于选择输入数组中的一个块，并用于将其分配给它。

A. 选择

因此，使用row_mask和col_mask布尔数组作为行和列选择的掩码，我们可以使用以下代码进行选择 - 

x[np.ix_(row_mask,col_mask)]

B. 分配

以下适用于分配 -

x[np.ix_(row_mask,col_mask)] = # scalar or broadcastable array

示例运行

1. 使用 np.ix_ 与 索引数组

输入数组和索引数组 -

In [221]: x
Out[221]: 
array([[17, 39, 88, 14, 73, 58, 17, 78],
       [88, 92, 46, 67, 44, 81, 17, 67],
       [31, 70, 47, 90, 52, 15, 24, 22],
       [19, 59, 98, 19, 52, 95, 88, 65],
       [85, 76, 56, 72, 43, 79, 53, 37],
       [74, 46, 95, 27, 81, 97, 93, 69],
       [49, 46, 12, 83, 15, 63, 20, 79]])

In [222]: row_indices
Out[222]: [4, 2, 5, 4, 1]

In [223]: col_indices
Out[223]: [1, 2]

np.ix_的索引数组元组 -

In [224]: np.ix_(row_indices,col_indices) # Broadcasting of indices
Out[224]: 
(array([[4],
        [2],
        [5],
        [4],
        [1]]), array([[1, 2]]))

进行选择 -

In [225]: x[np.ix_(row_indices,col_indices)]
Out[225]: 
array([[76, 56],
       [70, 47],
       [46, 95],
       [76, 56],
       [92, 46]])

正如OP建议的，这实际上与使用老派广播并创建一个在axis=1上具有其元素/索引发送的row_indices的二维数组版本相同，从而在axis=1上创建一个单例维度，并允许与col_indices进行广播。因此，我们可以像下面这样提供另一种解决方案 -

In [227]: x[np.asarray(row_indices)[:,None],col_indices]
Out[227]: 
array([[76, 56],
       [70, 47],
       [46, 95],
       [76, 56],
       [92, 46]])

如前所述，对于任务，我们只是这样做。

行列索引数组 -

In [36]: row_indices = [1, 4]

In [37]: col_indices = [1, 3]

使用标量进行赋值 -

In [38]: x[np.ix_(row_indices,col_indices)] = -1

In [39]: x
Out[39]: 
array([[17, 39, 88, 14, 73, 58, 17, 78],
       [88, -1, 46, -1, 44, 81, 17, 67],
       [31, 70, 47, 90, 52, 15, 24, 22],
       [19, 59, 98, 19, 52, 95, 88, 65],
       [85, -1, 56, -1, 43, 79, 53, 37],
       [74, 46, 95, 27, 81, 97, 93, 69],
       [49, 46, 12, 83, 15, 63, 20, 79]])

使用2D块（可广播数组）进行分配任务-

In [40]: rand_arr = -np.arange(4).reshape(2,2)

In [41]: x[np.ix_(row_indices,col_indices)] = rand_arr

In [42]: x
Out[42]: 
array([[17, 39, 88, 14, 73, 58, 17, 78],
       [88,  0, 46, -1, 44, 81, 17, 67],
       [31, 70, 47, 90, 52, 15, 24, 22],
       [19, 59, 98, 19, 52, 95, 88, 65],
       [85, -2, 56, -3, 43, 79, 53, 37],
       [74, 46, 95, 27, 81, 97, 93, 69],
       [49, 46, 12, 83, 15, 63, 20, 79]])

2. 使用 np.ix_ 与 masks

输入数组 -

In [19]: x
Out[19]: 
array([[17, 39, 88, 14, 73, 58, 17, 78],
       [88, 92, 46, 67, 44, 81, 17, 67],
       [31, 70, 47, 90, 52, 15, 24, 22],
       [19, 59, 98, 19, 52, 95, 88, 65],
       [85, 76, 56, 72, 43, 79, 53, 37],
       [74, 46, 95, 27, 81, 97, 93, 69],
       [49, 46, 12, 83, 15, 63, 20, 79]])

输入行、列掩码 -

In [20]: row_mask = np.array([0,1,1,0,0,1,0],dtype=bool)

In [21]: col_mask = np.array([1,0,1,0,1,1,0,0],dtype=bool)

进行选择 -

In [22]: x[np.ix_(row_mask,col_mask)]
Out[22]: 
array([[88, 46, 44, 81],
       [31, 47, 52, 15],
       [74, 95, 81, 97]])

使用标量进行赋值 -

In [23]: x[np.ix_(row_mask,col_mask)] = -1

In [24]: x
Out[24]: 
array([[17, 39, 88, 14, 73, 58, 17, 78],
       [-1, 92, -1, 67, -1, -1, 17, 67],
       [-1, 70, -1, 90, -1, -1, 24, 22],
       [19, 59, 98, 19, 52, 95, 88, 65],
       [85, 76, 56, 72, 43, 79, 53, 37],
       [-1, 46, -1, 27, -1, -1, 93, 69],
       [49, 46, 12, 83, 15, 63, 20, 79]])

使用二维块（可广播数组）创建任务 -

In [25]: rand_arr = -np.arange(12).reshape(3,4)

In [26]: x[np.ix_(row_mask,col_mask)] = rand_arr

In [27]: x
Out[27]: 
array([[ 17,  39,  88,  14,  73,  58,  17,  78],
       [  0,  92,  -1,  67,  -2,  -3,  17,  67],
       [ -4,  70,  -5,  90,  -6,  -7,  24,  22],
       [ 19,  59,  98,  19,  52,  95,  88,  65],
       [ 85,  76,  56,  72,  43,  79,  53,  37],
       [ -8,  46,  -9,  27, -10, -11,  93,  69],
       [ 49,  46,  12,  83,  15,  63,  20,  79]])
啊，那么如果我对row_indices进行转置，应该是一样的吧？ - Chris
12

怎么样：

x[row_indices][:,col_indices]
例如，
x = np.random.random_integers(0,5,(5,5))
## array([[4, 3, 2, 5, 0],
##        [0, 3, 1, 4, 2],
##        [4, 2, 0, 0, 3],
##        [4, 5, 5, 5, 0],
##        [1, 1, 5, 0, 2]])

row_indices = [4,2]
col_indices = [1,2]
x[row_indices][:,col_indices]
## array([[1, 5],
##        [2, 0]])
5
对于提取数据来说这很好，但对于赋值操作来说失败了。行索引会创建一个副本。 - hpaulj
@hpaulj 都因为使用高级索引而创建了副本，是吗？ - monolith
@wedran，使用一层索引时，x[[1,2,3]] = 2，视图和副本之间的区别并不重要（x.__setitem__(..., 2)）。只有在使用顺序索引时，您才需要注意这个问题。然后，__setitem__ 修改第一个 __getitem__。 - hpaulj
7
import numpy as np
x = np.random.random_integers(0,5,(4,4))
x
array([[5, 3, 3, 2],
       [4, 3, 0, 0],
       [1, 4, 5, 3],
       [0, 4, 3, 4]])

# This indexes the elements 1,1 and 2,2 and 3,3
indexes = (np.array([1,2,3]),np.array([1,2,3]))
x[indexes]
# returns array([3, 5, 4])

请注意，numpy根据您使用的索引种类有非常不同的规则。因此，索引多个元素应该是一个np.ndarray的tuple（请参见索引手册）。
因此，您只需要将您的list转换为np.ndarray，它应该按预期工作。
当“indexes”元组的元素大小不同时，似乎它无法工作。 - Shihab Shahriar Khan
@ShihabShahriar 不同的大小表示什么？你有部分索引吗？如果是这样，那似乎你有一个不同的问题，请提出一个新的问题。 - MSeifert
5

我认为您正在尝试执行以下操作之一（同等操作）：

x_does_work = x[row_indices,:][:,col_indices]
x_does_work = x[:,col_indices][row_indices,:]

这实际上会创建一个x的子集，只有所选行，然后从中选择列，或者在第二种情况下反之亦然。第一种情况可以被看作是

x_does_work = (x[row_indices,:])[:,col_indices]
我喜欢这个表述的明确。 - eric
4

如果你使用np.newaxis编写代码，第一次尝试就会生效。

x_new = x[row_indices[:, np.newaxis],column_indices]
我认为你可能需要将row[column]_indices更改为np.array。 - Joonho Park
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接