用另一個數組切片numpy數組

Question

我有一個大的一維整數數組，我需要切片。這是微不足道的，我只是做a[start:end]。問題是我需要更多這些切片。如果開始和結束是數組，則a[start:end]不起作用。 For循環可以用於此，但我需要它儘可能快（這是一個瓶頸），所以本地numpy解決方案將受到歡迎。

爲了進一步說明，我有這樣的：

a = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], numpy.int16) 
start = numpy.array([1, 5, 7], numpy.int16) 
end = numpy.array([2, 10, 9], numpy.int16) 

而且需要以某種方式使之變成這樣：

[[1], [5, 6, 7, 8, 9], [7, 8]] 

Answer 1

這不是一個「純」 numpy的解決方案（儘管@ mgilson的評論筆記，很難看到不規則的輸出如何能成爲一個numpy的陣列），但：

a = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], numpy.int16) 
start = numpy.array([1, 5, 7], numpy.int16) 
end = numpy.array([2, 10, 9], numpy.int16) 

map(lambda range: a[range[0]:range[1]],zip(start,end)) 

讓你：

[array([1], dtype=int16), array([5, 6, 7, 8, 9], dtype=int16), array([7, 8], dtype=int16)] 

根據需要。

Answer 2

沒有numpy的方法來做到這一點。請注意，由於它是不規則的，它只會是數組/片的列表。不過，我想補充一點，對於幾乎所有numpy函數（二進制）ufuncs（或者至少基於它們），都有reduceat方法，這可能會幫助您避免實際創建切片列表，因而，如果片爲小，加快計算過：

In [1]: a = np.arange(10) 

In [2]: np.add.reduceat(a, [0,4,7]) # add up 0:4, 4:7 and 7:end 
Out[2]: array([ 6, 15, 24]) 

In [3]: np.maximum.reduceat(a, [0,4,7]) # maximum of each of those slices 
Out[3]: array([3, 6, 9]) 

In [4]: w = np.asarray([0,4,7,10]) # 10 for the total length 

In [5]: np.add.reduceat(a, w[:-1]).astype(float)/np.diff(w) # equivalent to mean 
Out[5]: array([ 1.5, 5. , 8. ]) 

編輯：既然你的片重疊，我會補充說，這是太正常：

# I assume that start is sorted for performance reasons. 
reductions = np.column_stack((start, end)).ravel() 
sums = np.add.reduceat(a, reductions)[::2] 

的[::2]應該沒有大通常在這裏處理，因爲重疊切片沒有真正的額外工作。

此外還有一個問題，其中stop==len(a)切片。這必須避免。如果你恰好有一個切片有了它，你可以只是做reductions = reductions[:-1]（如果它的最後一個），但除此之外，你只需要一個值追加到a誘騙reduceat：

a = np.concatenate((a, [0])) 

由於增加一個價值無論如何，由於你在切片上工作，最後並不重要。

Answer 3

這可以（幾乎？）在純numpy中使用掩碼數組和步進技巧完成。首先，我們創建面膜：

>>> indices = numpy.arange(a.size) 
>>> mask = ~((indices >= start[:,None]) & (indices < end[:,None])) 

或者更簡單地說：

>>> mask = (indices < start[:,None]) | (indices >= end[:,None]) 

的掩碼False（即值沒有被屏蔽），對於那些>=的起始值和<年底價值指數。 （切片None（又名numpy.newaxis）增加了一個新的維度，使廣播。）現在我們的面具看起來是這樣的：

>>> mask 
array([[ True, False, True, True, True, True, True, True, True, 
     True, True, True], 
     [ True, True, True, True, True, False, False, False, False, 
     False, True, True], 
     [ True, True, True, True, True, True, True, False, False, 
     True, True, True]], dtype=bool) 

現在我們要舒展陣列使用stride_tricks以適應面具：

>>> as_strided = numpy.lib.stride_tricks.as_strided 
>>> strided = as_strided(a, mask.shape, (0, a.strides[0])) 
>>> strided 
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 
     [ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 
     [ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]], dtype=int16) 

這看起來像一個3x12陣列，但同時每一行分記憶。現在，我們可以將它們組合成一個屏蔽數組：

>>> numpy.ma.array(strided, mask=mask) 
masked_array(data = 
[[-- 1 -- -- -- -- -- -- -- -- -- --] 
[-- -- -- -- -- 5 6 7 8 9 -- --] 
[-- -- -- -- -- -- -- 7 8 -- -- --]], 
      mask = 
[[ True False True True True True True True True True True True] 
[ True True True True True False False False False False True True] 
[ True True True True True True True False False True True True]], 
     fill_value = 999999) 

這是不太一樣的，你問什麼，但它應該表現相似。

Answer 4

類似的解決方案，如timday。類似的速度：

a = np.random.randint(0,20,1e6) 
start = np.random.randint(0,20,1e4) 
end = np.random.randint(0,20,1e4) 

def my_fun(arr,start,end): 
     return arr[start:end] 

%timeit [my_fun(a,i[0],i[1]) for i in zip(start,end)] 
%timeit map(lambda range: a[range[0]:range[1]],zip(start,end)) 

100 loops, best of 3: 7.06 ms per loop 100 loops, best of 3: 6.87 ms per loop

Answer 5

如果你想在一個行，這將是：

x=[list(a[s:e]) for (s,e) in zip(start,end)]