什麼時候是：相當於Numpy中的完整索引向量？

最近我遇到了一些我不太明白的Numpy練習。練習以3D陣列使用一些隨機樣本數據：什麼時候是：相當於Numpy中的完整索引向量？

import numpy as np 

alpha = np.full(2000, .1) 
beta = np.full(100, .1) 

wordsInTopic = np.random.dirichlet(alpha, 100) 

produced = np.zeros((50, 100, 2000)) 

for doc in range(0, 50): 

    topicsInDoc = np.random.dirichlet(beta) 
    wordsToTopic = np.random.multinomial(2000, topicsInDoc) 

    for topic in range(0, 100): 
     produced[doc, topic] = np.random.multinomial(wordsToTopic[topic], wordsInTopic[topic])

例如下面是等價的，因爲預期：

print(produced[:, np.arange(0, 100, 1), :].shape) 
print(produced[:, :, :].shape)

但以下是不：

print(produced[:, np.arange(0, 100, 1), produced.sum(0).argmax(1)].shape) 
print(produced[:, :, produced.sum(0).argmax(1)].shape)

有人能解釋這裏發生了什麼嗎？

來源

2017-10-18 alexpghayes

'：'指定沿軸的每個索引，就這些了。 –

您正在觸發前者的高級索引。去谷歌上查詢。 – Divakar

總之，:基本上說「選擇這個軸的所有內容」，同時傳遞一個索引列表「從這個軸選擇給定的索引」。

當您只有一個索引列表時，兩者可以是等效的。它很容易看到一個小的，二維矩陣：

>>> X = np.random.randint(0, 10, size=(3, 3)) 
>>> X 
array([[2, 4, 8], 
     [0, 6, 9], 
     [4, 2, 5]]) 
>>> X[:, :] 
array([[2, 4, 8], 
     [0, 6, 9], 
     [4, 2, 5]]) 
>>> X[:, [0, 1, 2]] 
array([[2, 4, 8], 
     [0, 6, 9], 
     [4, 2, 5]])

這樣纔有意義。現在，當您使用兩個索引列表時，numpy的語義表明這些索引是成對匹配的（或者更一般地說，它們一起廣播）。考慮以下幾點：

>>> X[[0, 1, 2], [0, 1, 2]] 
array([2, 6, 5])

它返回(0, 0)元素，該元素(1, 1)和(2, 2)元素。這種索引（您通過索引列表）被稱爲花式索引，並且可以非常強大。你可以閱讀更多花哨的索引，並看到一些例子，here（完全披露：這個鏈接到我自己的網站）。

來源

2017-10-18 05:37:24 jakevdp

什麼時候是：相當於Numpy中的完整索引向量？

回答

相關問題