python - numpy 数组的形状

Question

使用 numpy 已经有一段时间了。然而，就在我认为我已经弄清楚数组的时候，它又抛出了另一条曲线。例如，我构建了 3D 数组 pltz，然后

>>> gridset2 = range(0, pltx.shape[2], grdspc)
>>> pltz[10,:,gridset2].shape
(17, 160)
>>> pltz[10][:,gridset2].shape
(160, 17)

这两种形状到底为什么不同？

Answer 1

由于您的索引表达式同时包含 : 和列表，NumPy 需要同时应用基本和高级索引规则，并且它们交互的方式有点奇怪。相关文档为here , 如果您想了解完整的细节，您应该查阅它。我将重点关注导致这种形状不匹配的部分。

当使用高级索引的索引表达式的所有组件彼此相邻时，来自高级索引的结果的维度将放置在结果中它们替换的维度的位置。高级索引组件类似于数组，例如数组、列表和标量；标量也可用于基本索引，但为此目的，它们被认为是高级的。因此，如果 arr.shape == (10, 20, 30) 和 ind.shape = (2, 3, 4)，则

arr[:, ind, :].shape == (10, 2, 3, 4, 30)

您的第一个表达式属于这种情况。

---

另一方面，如果使用高级索引的索引表达式的组件被使用基本索引的组件分开，则没有明确的地方可以插入高级索引维度。例如，用

arr[ind, :, ind]

结果需要有长度为 2、3、4 和 20 的维度，并且没有适合粘贴 20 的地方。

当高级索引组件被基本索引组件分隔时，NumPy 会将高级索引产生的所有维度粘贴在结果数组的开头。基本索引组件是 :、... 和 np.newaxis(None)。你的第二个表达属于这种情况。

---

由于您的第二个表达式具有由基本索引组件分隔的高级索引组件，而您的第一个表达式没有，因此您的两个表达式使用不同的索引规则。为避免这种情况，您可以将基本索引和高级索引分为两个阶段，或者您可以用等效的高级索引替换基本索引。无论您做什么，我都建议在此类代码上方添加解释性注释。