我有一个变量 x，形状为 (2,2,50,100)。
我还有一个数组 y，它等于 np.array([0,10,20])。当我索引 x[0,:,:,y] 时会发生一件奇怪的事情。
x = np.full((2,2,50,100),np.nan)
y = np.array([0,10,20])
print(x.shape)
(2,2,50,100)
print(x[:,:,:,y].shape)
(2,2,50,3)
print(x[0,:,:,:].shape)
(2,50,100)
print(x[0,:,:,y].shape)
(3,2,50)
为什么最后一个输出 (3,2,50) 而不是 (2,50,3)？
Jam*_*mes 23
这就是 numpy 如何使用高级索引来广播数组形状。当您0为第一个索引和y最后一个索引传递 a 时，numpy 会将 the 广播0为与y. 以下等价成立：x[0,:,:,y] == x[(0, 0, 0),:,:,y]. 这是一个例子
import numpy as np
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
np.equal(x[0,:,:,y], x[(0, 0, 0),:,:,y]).all()
# returns:
True
现在，因为您有效地传递了两组索引，所以您正在使用高级索引 API 来形成（在这种情况下）索引对。
x[(0, 0, 0),:,:,y])
# equivalent to
[
x[0,:,:,y[0]],
x[0,:,:,y[1]],
x[0,:,:,y[2]]
]
# equivalent to
rows = np.array([0, 0, 0])
cols = y
x[rows,:,:,cols]
# equivalent to
[
x[r,:,:,c] for r, c in zip(rows, columns)
]
它的第一个维度与 的长度相同y。这就是你所看到的。
举个例子，看一个有 4 个维度的数组，它们在下一个块中描述：
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
# x looks like:
array([[[[ 0, 1, 2, 3, 4], -+ =+
[ 5, 6, 7, 8, 9], Sheet1 |
[ 10, 11, 12, 13, 14], | |
[ 15, 16, 17, 18, 19]], -+ |
Workbook1
[[ 20, 21, 22, 23, 24], -+ |
[ 25, 26, 27, 28, 29], Sheet2 |
[ 30, 31, 32, 33, 34], | |
[ 35, 36, 37, 38, 39]], -+ |
|
[[ 40, 41, 42, 43, 44], -+ |
[ 45, 46, 47, 48, 49], Sheet3 |
[ 50, 51, 52, 53, 54], | |
[ 55, 56, 57, 58, 59]]], -+ =+
[[[ 60, 61, 62, 63, 64],
[ 65, 66, 67, 68, 69],
[ 70, 71, 72, 73, 74],
[ 75, 76, 77, 78, 79]],
[[ 80, 81, 82, 83, 84],
[ 85, 86, 87, 88, 89],
[ 90, 91, 92, 93, 94],
[ 95, 96, 97, 98, 99]],
[[100, 101, 102, 103, 104],
[105, 106, 107, 108, 109],
[110, 111, 112, 113, 114],
[115, 116, 117, 118, 119]]]])
x 有一个非常容易理解的顺序形式，我们现在可以用它来显示正在发生的事情......
第一个维度就像有 2 个 Excel 工作簿，第二个维度就像每个工作簿中有 3 个工作表，第三个维度就像每个工作表有 4 行，最后一个维度是每行（或每页列）5 个值。
从这个角度来看，要求x[0,:,:,0]，是这样说的：“在第一个工作簿中，对于每张纸，对于每一行，给我第一个值/列。”
x[0,:,:,y[0]]
# returns:
array([[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]])
# this is in the same as the first element in:
x[(0,0,0),:,:,y]
但是现在有了高级索引，我们可以认为x[(0,0,0),:,:,y]“在第一个工作簿中，对于每个工作表，对于每一行，给我第yth 个值/列。好的，现在为每个值做y”
x[(0,0,0),:,:,y]
# returns:
array([[[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]],
[[ 2, 7, 12, 17],
[22, 27, 32, 37],
[42, 47, 52, 57]],
[[ 4, 9, 14, 19],
[24, 29, 34, 39],
[44, 49, 54, 59]]])
疯狂的地方是 numpy 将广播以匹配索引数组的外部维度。因此，如果您想执行与上述相同的操作，但对于两个“Excel 工作簿”，您不必循环和连接。您可以将数组传递给第一维，但它必须具有兼容的形状。
传递一个整数会被广播到y.shape == (3,). 如果要将数组作为第一个索引传递，则只有数组的最后一个维度必须与y.shape. 即，第一个索引的最后一个维度必须是 3 或 1。
import numpy as np
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
np.equal(x[0,:,:,y], x[(0, 0, 0),:,:,y]).all()
# returns:
True
在文档中找到了一个简短的解释：https : //docs.scipy.org/doc/numpy/reference/arrays.indexing.html#combining-advanced-and-basic-indexing
从最初的问题中，要获得所需切片的单行，您可以使用x[0][:,:,y]：
x[0][:,:,y].shape
# returns
(2, 50, 3)
但是，如果您尝试分配给这些子切片，则必须非常小心，查看原始数组的共享内存视图。否则分配将不是原始数组，而是一个副本。
共享内存仅在您使用整数或切片对数组进行子集化时发生，即x[:,0:3,:,:]或x[0,:,:,1:-1]。
x[(0, 0, 0),:,:,y])
# equivalent to
[
x[0,:,:,y[0]],
x[0,:,:,y[1]],
x[0,:,:,y[2]]
]
# equivalent to
rows = np.array([0, 0, 0])
cols = y
x[rows,:,:,cols]
# equivalent to
[
x[r,:,:,c] for r, c in zip(rows, columns)
]
在您的原始问题和我的示例y中，既不是 int 也不是 slice，因此最终总是分配给原始副本。
但！因为你的阵列y可以表示为一个切片，你CAN实际上得到通过您的阵列的分配图：
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
# x looks like:
array([[[[ 0, 1, 2, 3, 4], -+ =+
[ 5, 6, 7, 8, 9], Sheet1 |
[ 10, 11, 12, 13, 14], | |
[ 15, 16, 17, 18, 19]], -+ |
Workbook1
[[ 20, 21, 22, 23, 24], -+ |
[ 25, 26, 27, 28, 29], Sheet2 |
[ 30, 31, 32, 33, 34], | |
[ 35, 36, 37, 38, 39]], -+ |
|
[[ 40, 41, 42, 43, 44], -+ |
[ 45, 46, 47, 48, 49], Sheet3 |
[ 50, 51, 52, 53, 54], | |
[ 55, 56, 57, 58, 59]]], -+ =+
[[[ 60, 61, 62, 63, 64],
[ 65, 66, 67, 68, 69],
[ 70, 71, 72, 73, 74],
[ 75, 76, 77, 78, 79]],
[[ 80, 81, 82, 83, 84],
[ 85, 86, 87, 88, 89],
[ 90, 91, 92, 93, 94],
[ 95, 96, 97, 98, 99]],
[[100, 101, 102, 103, 104],
[105, 106, 107, 108, 109],
[110, 111, 112, 113, 114],
[115, 116, 117, 118, 119]]]])
在这里，我们使用切片0:21:10来获取range(0,21,10). 我们必须使用21and not20因为停止点被排除在切片之外，就像在range函数中一样。
所以基本上，如果您可以构建一个符合您的细分标准的切片，您就可以进行分配。
它被称为combining advanced and basic indexing。在 中combining advanced and basic indexing，numpy 首先在高级索引中进行索引，然后将结果子空间/连接到基本索引的维度。
来自文档的示例：
设 x.shape 为(10,20,30,40,50)并假设 ind_1 和 ind_2 可以广播到形状 (2,3,4)。然后 x[:,ind_1,ind_2] 具有形状 (10,2,3,4,40,50) 因为来自 X 的 (20,30) 形子空间已被来自的 (2,3,4) 子空间替换指数。但是，x[:,ind_1,:,ind_2]具有形状(2,3,4,10,30,50)因为在索引子空间中没有明确的位置可以删除，因此它被添加到开头。始终可以使用 .transpose() 将子空间移动到所需的任何位置。请注意，无法使用 take 复制此示例。
所以，在x[0,:,:,y]，0和y是提前索引。它们一起广播以产生维度(3,)。
In [239]: np.broadcast(0,y).shape
Out[239]: (3,)
这(3,)贴在第 2 维和第 3 维的开头，使(3, 2, 50)
要看到，第一个和最后一个维度是真正广播在一起，你可以尝试改变0，以[0,1]看广播的错误
print(x[[0,1],:,:,y])
Output:
IndexError Traceback (most recent call last)
<ipython-input-232-5d10156346f5> in <module>
----> 1 x[[0,1],:,:,y]
IndexError: shape mismatch: indexing arrays could not be broadcast together with
shapes (2,) (3,)