python - numpy: fancy indexing "unexpected behaviour"-- fancy indexing 似乎给出的结果是直观预期的 "transpose"

Question

我对花式索引的行为有点困惑，请参阅:

>>> t = np.arange(2*2*3).reshape((2, 2, 3))
>>> t
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])
>>> t[1, :, [1, 2]]
array([[ 7, 10],
       [ 8, 11]])

我认为在使用 t[1, :, [1, 2]] 建立索引后我会得到数组:

array([[ 7,  8],
       [10, 11]])

但是我得到了转置，如上所示。

此外，请考虑以下事项:

>>> t[:, :, [1, 2]][1]
array([[ 7,  8],
       [10, 11]])

这不符合我们刚刚提到的不直观的行为模式……这“符合预期”。为什么？

为什么我会出现这种行为，我怎样才能得到我预期的行为？

Answer 1

根据 the docs ,

In simple cases (i.e. one indexing array and N - 1 slice objects) it does exactly what you would expect (concatenation of repeated application of basic slicing).

在这种情况下，索引数组是 [1, 2]，切片对象是 1和 : (或更准确地说， slice(1,2) 和 slice(None) ):

所以结果是切片的串联

In [43]: t[1,:,1]
Out[43]: array([ 7, 10])

In [44]: t[1,:,2]
Out[44]: array([ 8, 11])

还要注意 t[1, :, [1,2]] 的形状将是 (2,2) 因为标量 1 删除 0 轴和 :跨越所有轴 1(长度为 2)和 [1,2] 长度为 2。因此，当您遍历结果的最后一个(即第二个)轴时，您会得到数组 array([ 7, 10])和 array([ 8, 11]) .

In [45]: t[1, :, [1,2]]
Out[45]: 
array([[ 7, 10],
       [ 8, 11]])

获得所需结果的最简单方法是使用基本切片，

In [45]: t[1, :, 1:3]
Out[45]: 
array([[ 7,  8],
       [10, 11]])

另一种使用“奇特”整数索引的方法是:

In [121]: t[1, [(0,0),(1,1)], [1,2]]
Out[121]: 
array([[ 7,  8],
       [10, 11]])

或(使用广播)

In [154]: t[1, [[0],[1]], [1,2]]
Out[154]: 
array([[ 7,  8],
       [10, 11]])

这实际上可能更接近你想要的，因为它可以推广到你的索引数组是一些任意列表的情况，比如 [1, 5, 9, 10] .

In [157]: t = np.arange(2*2*11).reshape(2,2,11)

In [158]: t[1, [[0],[1]], [1,5,9,10]]
Out[158]: 
array([[23, 27, 31, 32],
       [34, 38, 42, 43]])

同样的规则适用于

In [101]: t[:, :, [1, 2]][1]
Out[101]: 
array([[ 7,  8],
       [10, 11]])

首先注意t[:, :, [1, 2]]的形状将是 (2,2,2)。结果将是基本切片的串联

In [102]: t[:, :, 1]
Out[102]: 
array([[ 1,  4],
       [ 7, 10]])

In [103]: t[:, :, 2]
Out[103]: 
array([[ 2,  5],
       [ 8, 11]])

因此，当您遍历结果的最后一个(即第三个)轴时，您会得到数组 array([[ 1, 4], [ 7, 10]])和 array([[ 2, 5], [ 8, 11]]) .

In [107]: np.allclose(t[:, :, [1,2]], np.dstack([np.array([[ 1,  4], [ 7, 10]]), np.array([[ 2,  5], [ 8, 11]])]))
Out[107]: True