numpy数组中的索引混淆

Question

我真的对具有多个维度的 numpy 数组的索引逻辑感到困惑。这是一个例子：

import numpy as np
A = np.arange(18).reshape(3,2,3)
[[[ 0,  1,  2],
  [ 3,  4,  5]],

 [[ 6,  7,  8],
  [ 9, 10, 11]],

 [[12, 13, 14],
  [15, 16, 17]]])

这给了我一个形状为 (3,2,3) 的数组，为了论证起见，称它们为 (x,y,z)。现在我想要一个数组 B，其中 A 中的元素对应于 x = 0,2 y =0,1 和 z = 1,2。喜欢

array([[[ 1,  2],
        [4,  5]],

       [[13, 14],
        [16, 17]]])

我天真地以为

B=A[[0,2],[0,1],[1,2]]

会做这项工作。但它给了

array([  2, 104]) 

并且不起作用。

A[[0,2],:,:][:,:,[1,2]]

完成这项工作。但我仍然想知道我的第一次尝试有什么问题。做我想做的事的最佳方法是什么？

Answer 1

NumPy 中有两种类型的索引basic 和advanced。基本索引使用切片元组进行索引，并且不复制数组，而是复制creates a view with adjusted strides。相比之下，高级索引还使用索引列表或数组并复制数组。

你的第一次尝试

B = A[[0, 2], [0, 1], [1, 2]]

使用高级索引。在高级索引中，所有索引列表首先broadcasted 到相同的形状，并且这个形状用于输出数组。在这种情况下，它们已经具有相同的形状，因此广播不会做任何事情。输出数组也将具有两个条目的这种形状。输出数组的第一项通过使用三个列表的所有第一个索引获得，第二个通过使用所有第二个索引获得：

B = numpy.array([A[0, 0, 1], A[2, 1, 2]])

你的第二种方法

B = A[[0,2],:,:][:,:,[1,2]]

确实有效，但效率低下。它使用了两次高级索引，因此您的数据将被复制两次。

要通过高级索引获得您真正想要的，您可以使用

A[np.ix_([0,2],[0,1],[1,2])]

正如nikow 指出的那样。这只会复制一次数据。

在您的示例中，您可以完全不复制数据，只使用基本索引：

B = A[::2, :, 1:2]

Answer 2

我推荐以下高级教程，它解释了各种索引方法：NumPy MedKit

一旦您了解了索引数组的强大方法（以及它们如何组合），它就会变得有意义。如果您的第一次尝试有效，那么这将与其他一些索引技术发生冲突（减少您在其他用例中的选择）。

在您的示例中，您可以利用第三个索引覆盖一个连续范围：

 A[[0,2],:,1:]

你也可以使用

A[np.ix_([0,2],[0,1],[1,2])]

当后面的索引不连续时，这在更一般的情况下很方便。 np.ix_ 简单地构造了三个索引数组。

正如 Sven 在他的回答中指出的那样，在这种特定情况下有一种更有效的方法（使用视图而不是复制的版本）。

编辑： 正如 Sven 所指出的，我的回答包含一些错误，我已将其删除。我仍然认为他的答案更好，但不幸的是我现在不能删除我的。

Answer 3

A[(0,2),:,1:]

如果你愿意

array([[[ 1,  2],
        [ 4,  5]],

       [[13, 14],
        [16, 17]]])

A[你想要的索引，你想要的行，你想要的列]