一次从numpy数组中选择多个切片

Question

我正在寻找一种方法从一个numpy数组中一次选择多个切片.假设我们有一维数据阵列,并想要提取它的三个部分,如下所示:

data_extractions = []

for start_index in range(0, 3):
    data_extractions.append(data[start_index: start_index + 5])

之后data_extractions将是:

data_extractions = [
    data[0:5],
    data[1:6],
    data[2:7]
]

没有for循环有没有办法执行上述操作？numpy中的某种索引方案可以让我从数组中选择多个切片并将它们作为多个数组返回,比如在n + 1维数组中？

---

我想也许我可以复制我的数据,然后从每一行中选择一个范围,但下面的代码会抛出一个IndexError

replicated_data = np.vstack([data] * 3)
data_extractions = replicated_data[[range(3)], [slice(0, 5), slice(1, 6), slice(2, 7)]

Answer 1

stride_tricks 可以做到

a = np.arange(10)
b = np.lib.stride_tricks.as_strided(a, (3, 5), 2 * a.strides)
b
# array([[0, 1, 2, 3, 4],
#        [1, 2, 3, 4, 5],
#        [2, 3, 4, 5, 6]])

请注意，实际上多次b引用与 相同的内存a（例如b[0, 1]和b[1, 0]是相同的内存地址）。因此，在使用新结构之前制作副本是最安全的。

nd 可以以类似的方式完成，例如 2d -> 4d

a = np.arange(16).reshape(4, 4)
b = np.lib.stride_tricks.as_strided(a, (3,3,2,2), 2*a.strides)
b.reshape(9,2,2) # this forces a copy
# array([[[ 0,  1],
#         [ 4,  5]],

#        [[ 1,  2],
#         [ 5,  6]],

#        [[ 2,  3],
#         [ 6,  7]],

#        [[ 4,  5],
#         [ 8,  9]],

#        [[ 5,  6],
#         [ 9, 10]],

#        [[ 6,  7],
#         [10, 11]],

#        [[ 8,  9],
#         [12, 13]],

#        [[ 9, 10],
#         [13, 14]],

#        [[10, 11],
#         [14, 15]]])

Answer 2

您可以使用索引将所需的行选择为适当的形状。例如：

 data = np.random.normal(size=(100,2,2,2))

 # Creating an array of row-indexes
 indexes = np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
 # data[indexes] will return an element of shape (3,5,2,2,2). Converting
 # to list happens along axis 0
 data_extractions = list(data[indexes])

 np.all(data_extractions[1] == s[1:6])
 True

Answer 3

在这篇文章中,strided-indexing scheme使用的方法np.lib.stride_tricks.as_strided基本上创建了一个输入数组的视图,因此对于创建非常有效,并且视图占用了内存空间.此外,这适用于具有通用维数的ndarray.

这是实施 -

def strided_axis0(a, L):
    # Store the shape and strides info
    shp = a.shape
    s  = a.strides

    # Compute length of output array along the first axis
    nd0 = shp[0]-L+1

    # Setup shape and strides for use with np.lib.stride_tricks.as_strided
    # and get (n+1) dim output array
    shp_in = (nd0,L)+shp[1:]
    strd_in = (s[0],) + s
    return np.lib.stride_tricks.as_strided(a, shape=shp_in, strides=strd_in)

针对4D阵列案例的示例运行-

In [44]: a = np.random.randint(11,99,(10,4,2,3)) # Array

In [45]: L = 5      # Window length along the first axis

In [46]: out = strided_axis0(a, L)

In [47]: np.allclose(a[0:L], out[0])  # Verify outputs
Out[47]: True

In [48]: np.allclose(a[1:L+1], out[1])
Out[48]: True

In [49]: np.allclose(a[2:L+2], out[2])
Out[49]: True

Answer 4

在一般情况下，您必须在构建索引或收集结果时进行某种迭代和串联。只有当切片模式本身是规则的时，您才能使用通用切片 via as_strided。

接受的答案构造一个索引数组，每个切片一行。这就是对切片的迭代，它arange本身就是一个（快速）迭代。并将np.array它们连接在一个新轴上（np.stack概括这一点）。

In [264]: np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
Out[264]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

indexing_tricks做同样事情的便捷方法：

In [265]: np.r_[0:5, 1:6, 2:7]
Out[265]: array([0, 1, 2, 3, 4, 1, 2, 3, 4, 5, 2, 3, 4, 5, 6])

这采用切片符号，将其扩展arange并连接。它甚至可以让我扩展并连接成二维

In [269]: np.r_['0,2',0:5, 1:6, 2:7]
Out[269]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

In [270]: data=np.array(list('abcdefghijk'))
In [272]: data[np.r_['0,2',0:5, 1:6, 2:7]]
Out[272]: 
array([['a', 'b', 'c', 'd', 'e'],
       ['b', 'c', 'd', 'e', 'f'],
       ['c', 'd', 'e', 'f', 'g']], 
      dtype='<U1')
In [273]: data[np.r_[0:5, 1:6, 2:7]]
Out[273]: 
array(['a', 'b', 'c', 'd', 'e', 'b', 'c', 'd', 'e', 'f', 'c', 'd', 'e',
       'f', 'g'], 
      dtype='<U1')

索引后连接结果也有效。

In [274]: np.stack([data[0:5],data[1:6],data[2:7]])

我对其他 SO 问题的记忆是，相对时间处于相同的数量级。例如，它可能会随着切片数量与长度的变化而变化。总的来说，必须从源复制到目标的值的数量将是相同的。

如果切片的长度不同，则必须使用平面索引。

Answer 5

您可以使用准备好的切片数组对数组进行切片

a = np.array(list('abcdefg'))

b = np.array([
        [0, 1, 2, 3, 4],
        [1, 2, 3, 4, 5],
        [2, 3, 4, 5, 6]
    ])

a[b]

但是，b不必以这种方式手动生成。它可以更加动态

b = np.arange(5) + np.arange(3)[:, None]