使用 numpy 使用 2D 数组的值更改 3D 数组中的子数组答案

【问题标题】：Changing subarrays in 3D arrays using values of a 2D array using numpy使用 numpy 使用 2D 数组的值更改 3D 数组中的子数组
【发布时间】：2020-07-09 15:23:14
【问题描述】：

我正在编写代码，一个问题突然出现在我的脑海中。所以基本上我有一个形状为
(2, 5, 5) 的 3D numpy 数组和一个形状为 (2, 4) 的 2D numpy 数组（这只是一个示例，数组可以更大）。我需要的是用我的 2D 数组中的值替换 3D 数组（切片 [:, 2:, 2:] ）子数组中 1 的值。我想过从 3D 数组中我想要更改的值（那些）中获取索引，然后在 2D 数组中使用 for 循环来迭代这些值，但我不确定它是否是有效的方法，而且我我得到一个错误。

import numpy as np

arr = np.array([[[0.,  1., 43., 25., 21.],
                 [0.,  0.,  0.,  0.,  0.],
                 [0., 43.,  0.,  1.,  0.], 
                 [0., 43.,  1.,  0.,  1.],
                 [0., 45.,  0.,  1.,  0.]],

                [[0.,  1., 38., 29., 46.],
                 [0.,  0.,  0.,  0.,  0.],
                 [0., 32.,  0.,  0.,  1.],
                 [0., 26.,  0.,  0.,  1.],
                 [0., 30.,  1.,  1.,  0.]]])

values = [[2, 3, 1, 4],
          [4, 1, 5, 9]]

indexes = np.argwhere(newarr[:, 2:, 2:] == 1) + [0, 2, 2]

# indexes = [[0 2 3]
#            [0 3 2]
#            [0 3 4]
#            [0 4 3]
#            [1 2 4]
#            [1 3 4]
#            [1 4 2]
#            [1 4 3]]

for i in values:
    arr[indexes] == i

#Error
#index 2 is out of bounds for axis 0 with size 2

我想要的输出应该是

newarr = [[[0.,  1., 43., 25., 21.],
           [0.,  0.,  0.,  0.,  0.],
           [0., 43.,  0.,  2.,  0.], 
           [0., 43.,  3.,  0.,  1.],
           [0., 45.,  0.,  4.,  0.]],

          [[0.,  1., 38., 29., 46.],            
           [0.,  0.,  0.,  0.,  0.],
           [0., 32.,  0.,  0.,  4.],
           [0., 26.,  0.,  0.,  1.],
           [0., 30.,  5.,  9.,  0.]]])

我认为只使用 numpy 应该更有效率，但我看不到如何做到这一点，所以任何帮助将不胜感激，谢谢！

【问题讨论】：

标签： python arrays numpy multidimensional-array

【解决方案1】：

您可以对arr 进行切片并使用转换为bool 的实际二进制值来屏蔽数组并在有1s 的位置进行切片分配：

a_view = arr[:,2:,2:]
a_view[a_view.astype('bool')] = np.array(values).ravel()

print(arr)
array([[[ 0.,  1., 43., 25., 21.],
        [ 0.,  0.,  0.,  0.,  0.],
        [ 0., 43.,  0.,  2.,  0.],
        [ 0., 43.,  3.,  0.,  1.],
        [ 0., 45.,  0.,  4.,  0.]],

       [[ 0.,  1., 38., 29., 46.],
        [ 0.,  0.,  0.,  0.,  0.],
        [ 0., 32.,  0.,  0.,  4.],
        [ 0., 26.,  0.,  0.,  1.],
        [ 0., 30.,  5.,  9.,  0.]]])

【讨论】：

【解决方案2】：

两个问题：

使用np.where 代替argwhere；你不需要迭代
结果索引应用于切片，而不是原始数组

使用你的数组：

In [133]: arr = np.array([[[0.,  1., 43., 25., 21.], 
     ...:                  [0.,  0.,  0.,  0.,  0.], 
          ...
     ...:                  [0., 26.,  0.,  0.,  1.], 
     ...:                  [0., 30.,  1.,  1.,  0.]]]) 
     ...:

切片：

In [136]: subarr = arr[:,2:,2:]

其中切片值为 1：

In [137]: np.nonzero(subarr==1)                                                                      
Out[137]: 
(array([0, 0, 0, 0, 1, 1, 1, 1]),
 array([0, 1, 1, 2, 0, 1, 2, 2]),
 array([1, 0, 2, 1, 2, 2, 0, 1]))

这就像你的argwhere，除了作为数组的元组，而不是偏移量。

In [138]: values = [[2, 3, 1, 4], 
     ...:           [4, 1, 5, 9]] 
     ...:

该元组可用于索引切片，用于获取和设置：

In [139]: subarr[np.nonzero(subarr==1)]                                                              
Out[139]: array([1., 1., 1., 1., 1., 1., 1., 1.])
In [140]: subarr[np.nonzero(subarr==1)]=np.ravel(values)

由于subarr 是一个视图，因此在其中设置值也会在arr 中设置值。无需将索引转换为arr 框架。

In [141]: arr                                                                                        
Out[141]: 
array([[[ 0.,  1., 43., 25., 21.],
        [ 0.,  0.,  0.,  0.,  0.],
        [ 0., 43.,  0.,  2.,  0.],
        [ 0., 43.,  3.,  0.,  1.],
        [ 0., 45.,  0.,  4.,  0.]],

       [[ 0.,  1., 38., 29., 46.],
        [ 0.,  0.,  0.,  0.,  0.],
        [ 0., 32.,  0.,  0.,  4.],
        [ 0., 26.,  0.,  0.,  1.],
        [ 0., 30.,  5.,  9.,  0.]]])

布尔索引

正如其他答案所述，我们可以选择带有布尔掩码的元素，而无需 nonzero 步骤（在幕后，如果不完全相同，索引是相似的）。

In [144]: arr = np.array([[[0.,  1., 43., 25., 21.], 
     ...:                  [0.,  0.,  0.,  0.,  0.], 
    ...
     ...:                  [0., 30.,  1.,  1.,  0.]]]) 
     ...:                                                                                            
In [145]: subarr = arr[:,2:,2:]                                                                      
In [146]: subarr[subarr==1]                                                                          
Out[146]: array([1., 1., 1., 1., 1., 1., 1., 1.])

In [148]: subarr[subarr==1] = np.ravel(values)                                                       
In [149]: arr                                                                                        
Out[149]: 
array([[[ 0.,  1., 43., 25., 21.],
        [ 0.,  0.,  0.,  0.,  0.],
        ....
        [ 0., 30.,  5.,  9.,  0.]]])

接近你的尝试

实际上，如果您在 indices 上进行迭代，您的迭代可能会奏效：

for i,v in zip(idx,np.ravel(values)):
     arr[tuple(i)] == v

从我的where 元组开始：

In [159]: Out[137]                                                                                   
Out[159]: 
(array([0, 0, 0, 0, 1, 1, 1, 1]),
 array([0, 1, 1, 2, 0, 1, 2, 2]),
 array([1, 0, 2, 1, 2, 2, 0, 1]))
In [160]:

您的偏移量argwhere：

In [160]: idx = np.transpose(Out[137])+[0,2,2]                                                       
In [161]: idx                                                                                        
Out[161]: 
array([[0, 2, 3],
       [0, 3, 2],
       [0, 3, 4],
       [0, 4, 3],
       [1, 2, 4],
       [1, 3, 4],
       [1, 4, 2],
       [1, 4, 3]])

迭代地使用它来索引arr（注意tuple的使用）：

In [162]: [arr[tuple(i)] for i in idx]                                                               
Out[162]: [2.0, 3.0, 1.0, 4.0, 4.0, 1.0, 5.0, 9.0]

直接在values 上迭代不起作用，因为这会返回 2 个列表。它需要被压平/散开。

In [163]: for v in values: print(v)                                                                  
[2, 3, 1, 4]
[4, 1, 5, 9]

【讨论】：

感谢您的长回答，我可以看到我做错了很多事情，谢谢！