python - Numpy 高级选择不起作用

Question

有人可以帮助我理解为什么有时高级选择不起作用以及我可以做些什么来让它起作用(第二种情况)？

>>> import numpy as np
>>> b = np.random.rand(5, 14, 3, 2)

# advanced selection works as expected
>>> b[[0,1],[0,1]]
array([[[ 0.7575555 ,  0.18989068],
        [ 0.06816789,  0.95760398],
        [ 0.88358107,  0.19558106]],

       [[ 0.62122898,  0.95066355],
        [ 0.62947885,  0.00297711],
        [ 0.70292323,  0.2109297 ]]])

# doesn't work - why?
>>> b[[0,1],[0,1,2]]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: shape mismatch: objects cannot be broadcast to a single shape

# but this seems to work
>>> b[:,[0,1,2]]
array([[[[  7.57555496e-01,   1.89890676e-01],
         [  6.81678915e-02,   9.57603975e-01],
         [  8.83581071e-01,   1.95581063e-01]],

        [[  2.24896112e-01,   4.77818599e-01],
         [  4.29313861e-02,   8.61578045e-02],
         [  4.80092364e-01,   3.66821618e-01]],
...

更新

拆分选择似乎可以解决问题，但我不确定为什么这是必要的(或者是否有更好的方法来实现此目的)。

>>> b.shape
(5, 14, 3, 2)
>>> b[[0,1]].shape
(2, 14, 3, 2)

# trying to separate indexing by dimension.
>>> b[[0,1]][:,[0,1,2]]
array([[[[ 0.7575555 ,  0.18989068],
         [ 0.06816789,  0.95760398],
         [ 0.88358107,  0.19558106]],

        [[ 0.22489611,  0.4778186 ],
         [ 0.04293139,  0.0861578 ],

Answer 1

你想要

b[np.ix_([0, 1], [0, 1, 2])]

您还需要为 b[[0, 1], [0, 1]] 做同样的事情，因为这实际上并不是您认为的那样:

b[np.ix_([0, 1], [0, 1])]

---

这里的问题是高级索引所做的事情与您认为的完全不同。您错误地认为 b[[0, 1], [0, 1, 2]] 表示“获取所有部分 b[i, j] b，其中 i 为 0 或 1，j 为 0、1 或 2”。这是一个合理的错误，考虑到当你在索引表达式中有一个列表时它似乎是这样工作的，比如

b[:, [1, 3, 5], 2]

其实对于数组A和一维整数数组I和J，A[I, J] 是一个数组，其中

A[I, J][n] == A[I[n], J[n]]

这以自然的方式推广到更多索引数组，例如

A[I, J, K][n] == A[I[n], J[n], K[n]]

对于高维索引数组，所以如果I 和J 是二维的，那么

A[I, J][m, n] == A[I[m, n], J[m, n]]

它还将广播规则应用于索引数组，并将索引中的列表转换为数组。这比您预期的要强大得多，但这意味着要完成您想要做的事情，您需要像

b[[[0],
   [1]], [[0, 1, 2]]]

np.ix_ 是一个 helper ，可以为您完成这项工作，因此您不必编写十几个括号。