需要使用“非 ndarray 序列”进行 numpy 基本索引的示例答案

【问题标题】：Need examples for numpy basic indexing with `non-ndarray sequence`需要使用“非 ndarray 序列”进行 numpy 基本索引的示例
【发布时间】：2016-06-30 17:47:04
【问题描述】：

在关于basic slicing的numpy doc中，有一种情况描述为：

如果选择对象是包含切片对象、Ellipsis 对象或 newaxis 对象的任何非 ndarray 序列（例如列表），则也会启动基本切片，但不适用于整数数组或其他嵌入序列。

很难理解这个描述的意思。这种情况什么时候发生？你能告诉我一些关于这种情况的例子吗？

【问题讨论】：

标签： python numpy scipy

【解决方案1】：

这是一个有趣的便利。假设我有以下数组：

arr = np.arange(100)

如果我很傻，我可以像这样对数组进行切片：

arr[:30, ..., np.newaxis]

（Ellipsis 在这里没有任何帮助，但我可以把它放在那里）。基本上，这告诉基本切片采用前 30 个元素，然后添加一个新轴。

如果我愿意（或者出于某种原因更方便），我可以像这样完成相同的切片：

arr[[slice(0, 30), Ellpisis, np.newaxis]]

如果我有一个二维数组：

arr = arr.reshape((10, 10))

我可以有多个切片对象：

arr[[slice(0, 5), slice(5, 10, 2)]]

所以我想一般来说，你可以认为arr[[x_0, x_1, x_2, ..., x_N]] 等同于arr[x_0, x_1, x_2, ..., x_N]，只要x_0、...x_N 都是切片、省略号或无。

【讨论】：

您通常希望在此处使用元组，因为如果列表不包含切片Ellipsis 或np.newaxis，您会突然获得高级索引而不是基本索引。正如提问者引用的部分上面所述，非元组的这种行为是为了向后兼容。
@user2357112 -- 是的，这是一个公平的观点 -- 尽管我认为列表版本可能很有用（例如，如果您正在为数组的每个维度动态构建索引对象 -- 特别是如果您事先不知道数组的尺寸）
apply_along_axis 创建一个i = np.zeros(nd, 'O') 数组，填充它，然后通过outarr[tuple(i.tolist())] = res 使用它。