與numpy的陣列質樸的行爲

Question

我希望有人能向我解釋以下行爲我與numpy的陣列觀察：

>>> import numpy as np 
>>> data_block=np.zeros((26,480,1000)) 
>>> indices=np.arange(1000) 
>>> indices.shape 
(1000,) 
>>> data_block[0,:,:].shape 
(480, 1000)   #fine and dandy 
>>> data_block[0,:,indices].shape 
(1000, 480)   #what happened???? why the transpose???? 
>>> ind_slice=np.arange(300) # this is more what I really want. 
>>> data_block[0,:,ind_slice].shape 
(300, 480)  # transpose again! arghhh! 

我不明白這一點變調行爲，這是我想要的東西非常不方便做。任何人都可以向我解釋嗎？獲得data_block的子集的另一種方法將是一個很大的好處。

Answer 1

你可以達到你想要的結果是這樣的：

>>> data_block[0,:,:][:,ind_slice].shape 
(480L, 300L) 

我承認我沒有多麼複雜numpy的索引原理的完整理解，但似乎the documentation在您遇到的麻煩提示：

基本切片與多於一個的非：在切片元組條目，動作使用單個非切片的像反覆應用：條目，其中所述非：條目依次拍攝（與所有其它非：條目由:)代替。因此，在基本切片下，x[ind1,...,ind2,:]的行爲如同x[ind1][...,ind2,:]。

警告：以上是不適用於高級切片。

和。 。 。

高級索引被觸發時選擇對象obj是非元組序列對象，ndarray（數據類型整數或布爾的），或具有至少一個序列對象或ndarray（的數據元組類型整數或布爾）。

因此，您通過使用ind_slice數組而不是常規切片索引來觸發該行爲。

文檔本身說這種索引「可能有點令人難以理解」，所以我們都遇到這個問題並不令人驚訝:-)。

Answer 2

一旦你瞭解瞭如何花哨的索引工作，真的沒什麼值得驚訝的。如果您將列表或數組作爲索引，則它們必須全部具有相同的形狀，或者可以以通用形狀進行廣播。該形狀將成爲返回數組的基本形狀。如果有索引是切片，那麼基礎形狀數組中的每個條目都將是多維的，因此基礎形狀會獲得額外條目的擴展。雖然這看起來可能是一個奇怪的選擇，但它確實是唯一符合多維花式索引的選擇。作爲一個例子，揣摩你會期望回報形狀，如果你做了以下內容：

>>> ind_slice=np.arange(16).reshape(4, 4) 
>>> data_block[ind_slice, :, ind_slice].shape 
(4, 4, 480) # No, (4, 4, 480, 4, 4) is not a better option 

有幾種方法，讓你所追求的。對於你的問題的具體情況，最明顯的是不使用花哨的索引，你可以讓你用切片問：

>>> data_block[0, :, :300].shape 
(480, 300) 

如果你確實需要花哨的索引，你可以替換broadcastable陣列片：

>>> data_block[0, np.arange(480)[:, None], ind_slice].shape 
(480, 300) 

你可能想，如果你需要使用數組來代替更爲複雜的片來看看np.ogrid和np.mgrid。