我有一个经常做的操作，我称之为“锯齿状切片”，因为我不知道它的真实名称。最好通过例子来解释：
a = np.random.randn(50, 10)
entries_of_interest = np.random.randint(10, size = 50) # Vector of 50 indices between 0 and 9
# Now I want the values contained in each row of a at the corresponding index in "entries of interest"
jagged_slice_of_a = a[np.arange(a.shape[0]), entries_of_interest]
# jagged_slice_of_a is now a vector with 50 elements. Good.
唯一的问题是执行此a[np.arange(a.shape[0]), entries_of_interest]索引有点麻烦（为此而必须构造“np.arange(a.shape[0])”似乎很愚蠢）。我想要类似:操作员的东西，但它:会做其他事情。有没有更简洁的方法来执行此操作？
不，原生 numpy 没有更好的方法。如果需要，您可以为此创建一个辅助函数。
在上一个问题（在二维数组上使用 numpy.interp的最快方法）中，有人要求以最快的方式实现以下内容：
np.array([np.interp(X[i], x, Y[i]) for i in range(len(X))])
假设X和Y是具有多行的矩阵，因此 for 循环代价高昂。在这种情况下有一个很好的解决方案可以避免 for 循环（请参阅上面的链接答案）。
我面临着一个非常相似的问题，但我不清楚在这种情况下是否可以避免 for 循环：
np.array([np.interp(x, X[i], Y[i]) for i in range(len(X))])
换句话说，我想使用线性插值对存储在两个矩阵X和的行中的大量信号进行上采样Y。我希望在 numpy 或 scipy (scipy.interpolate.interp1d) 中找到一个通过广播语义支持此操作的函数，但到目前为止我似乎找不到一个。
其他要点：
如果有帮助，行X[i]和x已在我的应用程序中预先排序。此外，就我而言，len(x)它比len(X[i]).
该函数scipy.signal.resample几乎可以满足我的要求，但它不使用线性插值...
我试图从这个矩阵乘法中删除循环（并了解更多关于一般优化代码的信息），我想我需要某种形式的np.broadcastingor np.einsum，但是在阅读它们之后，我仍然不确定如何使用它们我的问题。
A = np.array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 10],
[11,12,13,14,15]])
#A is a 3x5 matrix, such that the shape of A is (3, 5) (and A[0] is (5,))
B = np.array([[1,0,0],
[0,2,0],
[0,0,3]])
#B is a 3x3 (diagonal) matrix, with a shape of (3, 3)
C = np.zeros(5)
for i in range(5):
C[i] = np.linalg.multi_dot([A[:,i].T, B, A[:,i]])
#Each row of matrix math is [1x3]*[3x3]*[3x1] to become a scaler value in each row …我正在尝试创建一个看起来像的 numpy 数组
array([[list([]), list([])],
[list([]), list([])],
[list([]), list([])]], dtype=object)
该数组具有 shape (3,2)。然而，每当我这样做
np.array([[list(), list()], [list(), list()], [list(), list()]])
我最终得到
array([], shape=(3, 2, 0), dtype=float64)
我该如何解决这个问题？
我有一个func可矢量化的函数，我使用np.frompyfunc. for我不想使用嵌套循环，而是只想调用它一次，因此我需要用np.newaxis's填充输入。
我的目标是摆脱两个嵌套for循环并改用numpy.array广播功能。
这是 MWEfor循环（我想摆脱 for 循环，而是填充变量c_0, c_1, rn_1, rn_2，并factor在调用myfunc.
for i, b_0 in enumerate(b_00):
for j, b_1 in enumerate(b_11):
factor = b_0 + b_1
rn = (b_0 * coord + b_1 * coord2) / factor
rn_1 = coord - rn
rn_2 = coord2 - rn
results = np.add( results,np.prod(myfunc(c_0[:,None,:], c_1[None,:,:], rn_1, rn_2, factor), axis=2) …我想通过从 0 到 5 的递增幂来提高向量：
import numpy as np
a = np.array([1, 2, 3]) # list of 11 components
b = np.array([0, 1, 2, 3, 4]) # power
c = np.power(a,b)
期望的结果是：
c = [[1**0, 1**1, 1**2, 1**3, 1**4], [2**0, 2**1, ...], ...]
我不断收到此错误：
ValueError: operands could not be broadcast together with shapes (3,) (5,)
简而言之：我正在寻找一个简单的numpy（也许是单行的）实现Maxpool- 窗口上numpy.narray跨维度的所有位置的最大窗口。
更详细地说：我正在实现一个卷积神经网络（“CNN”），此类网络中的典型层之一是MaxPool层（例如此处）。写
y = MaxPool(x, S)，x是一个输入narray，S是一个参数，使用伪代码，其输出MaxPool由下式给出：
y[b,h,w,c] = max(x[b, s*h + i, s*w + j, c]) over i = 0,..., S-1; j = 0,...,S-1.
也就是说，y如果narray索引处的值等于沿着输入的第二维和第三维大小的b,h,w,c窗口所取的最大值，则窗口“角”被放置在索引处。S x Sxb,h,w,c
一些其他细节：网络是使用numpy. CNN 有许多“层”，其中一层的输出是下一层的输入。层的输入numpy.narray称为“张量”。就我而言，张量是 4 维的numpy.narray，x。那x.shape是一个元组(B,H,W,C)。张量经过一层处理后，每个维度的大小都会发生变化，例如层的输入i= 4可以具有大小B …
python numpy neural-network conv-neural-network array-broadcasting
我有3D numpy的阵列（N_SAMPLES次X num_components×2在下面的示例）N_SAMPLES次= 5和num_components = 7。
我有另一个数组（索引），它是每个形状（n_samples，）的样本的选定组件。
我想从给定索引的数据数组中进行选择，以便结果数组为n_samples x 2。
代码如下：
import numpy as np
np.random.seed(77)
data=np.random.randint(low=0, high=10, size=(5, 7, 2))
indices = np.array([0, 1, 6, 4, 5])
#how can I select indices from the data array?
例如，对于数据 0，所选组件应为第 0，对于数据 1，所选组件应为 1。
请注意，我不能使用任何 for 循环，因为我在 Theano 中使用它，并且解决方案应该完全基于 numpy。
与此问题相关，我通过布尔数组和广播遇到了索引行为，我不明白。我们知道可以使用整数索引和广播在 2 维中索引 NumPy 数组。这是在文档中指定的：
a = np.array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
b1 = np.array([False, True, True])
b2 = np.array([True, False, True, False])
c1 = np.where(b1)[0] # i.e. [1, 2]
c2 = np.where(b2)[0] # i.e. [0, 2]
a[c1[:, np.newaxis], c2] # or a[c1[:, None], c2]
array([[ 4, 6],
[ 8, 10]])
但是，这同样不适用于布尔数组。
a[b1[:, None], b2]
IndexError: too many indices for array
替代方案numpy.ix_适用于整数和布尔数组。这似乎是因为 …
我有两个具有相同形状的矩阵数组 A 和 B：\nA.shape = B.shape = (M,N,P)
\n\n我想计算沿 0 轴的克罗内克积，以便：
\n\nKP[ii,:,:] = A[ii,:,:]\xe2\x8a\x97B[ii,:,:]\n有没有一种方法可以在 numpy 中执行此操作而不使用 for 循环？
\n\n谢谢！
\n\n例子：
\n\nKP[ii,:,:] = A[ii,:,:]\xe2\x8a\x97B[ii,:,:]\n这相当于：
\n\nA = np.array([ [[1,0],\n [0,1]],\n [[1,0],\n [0,1]]\n ])\n\nB = np.array([ [[1,0],\n [0,-1]],\n [[0,1],\n [1,0]]\n ])\n\nKP = np.array( [\n [[1,0,0,0],\n [0,-1,0,0],\n [0,0,1,0],\n [0,0,0,-1]],\n [[0,1,0,0],\n [1,0,0,0],\n [0,0,0,1],\n [0,0,1,0]]\n ] )\n