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能做些什么才能让它起作用(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

打破选择似乎解决了问题,但我不确定为什么这是必要的(或者如果有更好的方法来实现这一点).

>>> 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

你要

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

你还需要做同样的事情b[[0, 1], [0, 1]],因为那实际上并没有你想象的那样:

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

这里的问题是高级索引与您的想法完全不同.你错误地认为这b[[0, 1], [0, 1, 2]]意味着"把所有部分b[i, j]都b放在i0或1并且j是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的,就像

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

事实上,对于一个阵列A和一维整数数组I和J,A[I, J]是阵列,其中

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

这以更自然的方式推广到更多的索引数组,例如

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

和高维数组索引,因此,如果I和J是二维的,则

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.这比你预期的要强大得多,但它意味着要做你想做的事情,你需要类似的东西

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

np.ix_ 是一个帮助你的人,所以你不必写十几个括号.