我遇到了这个 python 代码(有效)，对我来说它看起来很神奇。但是，我无法弄清楚这段代码在做什么。为了复制它，我编写了一段测试代码:
import numpy as np
# Create a random array which represent the 6 unique coeff.
# of a symmetric 3x3 matrix
x = np.random.rand(10, 10, 6)
所以，我有 100 个对称的 3x3 矩阵，我只存储唯一的组件。现在，我想生成完整的 3x3 矩阵，这就是神奇的地方。
indices = np.array([[0, 1, 3],
[1, 2, 4],
[3, 4, 5]])
我明白这是在做什么。这就是0-5索引分量在3x3矩阵中的排列方式，以具有对称矩阵。
mat = x[..., indices]
这条线让我迷路了。因此，它正在处理 x 数组的最后一个维度，但我完全不清楚重新排列和 reshape 是如何完成的，但这确实返回了一个形状数组 (10, 10, 3, 3)。我很惊讶也很困惑!
最佳答案
来自高级索引文档 - bi rico 的链接。
Example
Suppose x.shape is (10,20,30) and ind is a (2,3,4)-shaped indexing intp array, thenresult = x[...,ind,:] has shape (10,2,3,4,30) because the (20,)-shaped subspace has been replaced with a (2,3,4)-shaped broadcasted indexing subspace. If we let i, j, kloop over the (2,3,4)-shaped subspace then result[...,i,j,k,:] =x[...,ind[i,j,k],:]. This example produces the same result as x.take(ind, axis=-2).
关于Python numpy 数组索引。这是如何工作的？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27851051/