類似MATLAB的數組索引與Numpy

在MATLAB和Numpy中，數組都可以通過數組索引。但是，行爲是不同的。我來舉個例子來解釋一下。類似MATLAB的數組索引與Numpy

MATLAB：

>> A = rand(5,5) 

A = 

    0.1622 0.6020 0.4505 0.8258 0.1067 
    0.7943 0.2630 0.0838 0.5383 0.9619 
    0.3112 0.6541 0.2290 0.9961 0.0046 
    0.5285 0.6892 0.9133 0.0782 0.7749 
    0.1656 0.7482 0.1524 0.4427 0.8173 

>> A([1,3,5],[1,3,5]) 

ans = 

    0.1622 0.4505 0.1067 
    0.3112 0.2290 0.0046 
    0.1656 0.1524 0.8173

numpy的：

In [2]: A = arange(25).reshape((5,5)) 

In [3]: A 
Out[3]: 
array([[ 0, 1, 2, 3, 4], 
     [ 5, 6, 7, 8, 9], 
     [10, 11, 12, 13, 14], 
     [15, 16, 17, 18, 19], 
     [20, 21, 22, 23, 24]]) 

In [6]: A[[0,2,4], [0,2,4]] 
Out[6]: array([ 0, 12, 24])

在詞：MATLAB選擇的行和列，numpy的「拉鍊」兩個索引陣列和使用該元組以指向條目。

如何獲得Numpy的MATLAB行爲？

來源

2012-07-09 clstaudt

你可以這樣做：

A[[0,2,4],:][:,[0,2,4]]

，這將給你想要的MATLAB般的結果。

值得意識到的是，相當不一致，如果你使用的切片進行索引，那麼你得到沒有任何這樣的兩輪牛車MATLAB樣的結果：

>>> A[1:3,1:3] 
array([[ 6, 7], 
     [11,12]])

在numpy的，不同於MATLAB，1:3不只是一個縮寫爲[1,2]或任何類型的。（在這一點上，我覺得有必要提一下你一定已經知道的東西，即Python的1:3是有點像[1,2]而MATLAB的是有點像[1,2,3]：右手端點包括在MATLAB和排除在Python）

來源

2012-07-09 10:52:05

這實際上是非常低效的。它需要在內存中創建一個臨時數組，這個數組可能會相當大，這取決於您正在使用的陣列的大小。有幾種更有效的方法可以做到這一點，包括使用ix_ helper函數。 – 2012-07-10 00:25:36

是的，一切正確。另一方面，'ix_'構造的東西也很大，儘管是暫時的。我在原始問題中對5x5陣列做了一些時間實驗，結果如下。 '[，：] [:,]'比'[ix _（）]'快25％，但是如果每次使用相同的索引，則使用'ix_'構造索引數組* *並重用它速度快大約10倍 - 儘管你當然會花費內存使用成本。 – 2012-07-10 11:38:17

np.ix_在大多數情況下只使用少量的內存，因爲它返回其參數的視圖。 np.ix_也是一個常量時間操作，而A [I1，：] [:, I2]在時間和內存使用中都是〜n^2。但是如果你真的需要在你的5x5陣列上提高25％的性能，你必須做你應該做的事情。 – 2012-07-10 22:06:47

你可以使用輔助函數numpy.ix_得到了Matlab的行爲：

from numpy import ix_ 
A[ ix_([0,2,4], [0,2,4]) ]

來源

2012-07-09 11:14:19 robince

的有效途徑與numpy的做，這是重塑你的指數陣列相匹配的軸他們索引即

In [103]: a=numpy.arange(100).reshape(10,10) 

In [104]: a 
Out[104]: 
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], 
    [10, 11, 12, 13, 14, 15, 16, 17, 18, 19], 
    [20, 21, 22, 23, 24, 25, 26, 27, 28, 29], 
    [30, 31, 32, 33, 34, 35, 36, 37, 38, 39], 
    [40, 41, 42, 43, 44, 45, 46, 47, 48, 49], 
    [50, 51, 52, 53, 54, 55, 56, 57, 58, 59], 
    [60, 61, 62, 63, 64, 65, 66, 67, 68, 69], 
    [70, 71, 72, 73, 74, 75, 76, 77, 78, 79], 
    [80, 81, 82, 83, 84, 85, 86, 87, 88, 89], 
    [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]]) 

In [105]: x=numpy.array([3,6,9]) 

In [106]: y=numpy.array([2,7,8]) 

In [107]: a[x[:,numpy.newaxis],y[numpy.newaxis,:]] 
Out[107]: 
array([[32, 37, 38], 
     [62, 67, 68], 
     [92, 97, 98]])

條

與NumPy的廣播規則是你的朋友（所以比MATLAB更好）...

HTH

來源

2013-07-17 20:21:36 user2593047

類似MATLAB的數組索引與Numpy

回答

相關問題