python - np.squeeze 进行作业

Question

我有t.shape=(M, N)，现在我想将新值v分配给数组的一部分，该部分是用变量索引的m 和 n。 m 是一个数组，n 可以是 int 也可以是一个数组。如果 n 是一个数组，我会执行 m=m.reshape(-1, 1) 。这对于像这样的访问非常有效

t[m, n]

然后我就可以使用

np.squeeze(t[m, n])

删除之前添加的附加维度(如果n是int)。

但是，如果我这样做

t[m, n] = v

它不会工作，因为如果n是int，v.shape=(m.size,)，即 v 只有一个维度。我可以检查 n 是否为整数并相应地更改逻辑(要么不向 m 添加维度，要么向 v 添加一)。

是否有更优雅的解决方案(np.squeeze(t[m, n]) = v 会很好，但显然这不是它的工作原理)？

编辑:

具体例子:

def change_data(data, slices, channels, values):
    data[slices.reshape(-1, 1), channels] = values

data = np.random.randint(low=0, high=10, size=(10, 4))
slices = np.arange(4)
channels = [2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels)))) # The values come as a list
try:
    change_data(data, slices, channels, values) # Does not work
    print("Single channel does work")
except:
    print("Single channel does not work")
channels = [1, 2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels))))
try:
    change_data(data, slices, channels, values) # Works
    print("Multi channel does work")
except:
    print("Multi channel does not work")

在这个简单的例子中看起来有点荒谬，因为我在这里有一个额外的 np.squeeze 操作，但是根据数组有多少维，这可能有点麻烦，因此如果我只要“挤压”索引选择，问题就解决了。我希望现在更清楚了......

Answer 1

In [44]: data = np.arange(40).reshape(10,4)                                               

通过使第一个索引为 (4,1) 形状，我们可以使用各种大小的第二个数组进行索引:

In [46]: data[np.arange(4)[:,None],[2]]                                                   
Out[46]: 
array([[ 2],
       [ 6],
       [10],
       [14]])
In [47]: data[np.arange(4)[:,None],[1,2]]                                                 
Out[47]: 
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]])

第一个结果是 (4,1) 形状，第二个结果是 (4,2)。

通过squeeze我们得到(4,)，相当于索引:

In [48]: data[np.arange(4),2]                                                             
Out[48]: array([ 2,  6, 10, 14])

np.ix_ 生成类似的索引集，例如(4,1) 和 (1,2)

In [49]: np.ix_(np.arange(4),[1,2])                                                       
Out[49]: 
(array([[0],
        [1],
        [2],
        [3]]), array([[1, 2]]))

和 (4,1) 与 (1,1):

In [50]: np.ix_(np.arange(4),[2])                                                         
Out[50]: 
(array([[0],
        [1],
        [2],
        [3]]), array([[2]]))

(m,1) 使用 (1,n) 进行广播以产生 (m,n) 结果。 (n,) 与 (1,n) 一样有效 - 同样是广播规则。

通过更改，您希望为该 (m,n) block 分配一个值。在这种情况下，(4,2) 和 (4,1) 一样有效。但您想分配 (4,)。但是通过广播(4,)可以广播到(1,4)，但不能广播到(4,1)。它可以添加前导尺寸，但不能添加尾随尺寸。

In [51]: data[np.arange(4)[:,None],[2]]=np.ones(4)                                        
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-51-9245de6331ce> in <module>
----> 1 data[np.arange(4)[:,None],[2]]=np.ones(4)

ValueError: shape mismatch: value array of shape (4,) could not be 
    broadcast to indexing result of shape (4,1)
In [52]: data[np.arange(4)[:,None],[2]] = np.ones((4,1))    # (4,1) into (4,1)
# (4,1) also goes into a (4,2)
In [53]: data[np.arange(4),[2]] = np.ones(4)   # (4,) into (4,)
In [55]: data[np.arange(4)[:,None],[1,2]] = np.zeros(2)  # (2,) into (4,2) 

flat 可用于以一维方式赋值，但它在这里不起作用，因为 data[np.arange(4)[:,None],[1, 2]] 是一个副本，如果它以任何方式使用，除了直接在 __setitem__ 情况下，data[...] = ...。