考虑以下因素:
import numpy as np
arr = np.arange(3 * 4 * 5).reshape((3, 4, 5))
如果我使用 slice
s 对 arr
进行切片,我会得到,例如:
arr[:, 0:2, :].shape
# (3, 2, 5)
如果现在我使用 slice()
和 tuple()
的混合来切片 arr
,我得到:
arr[:, (0, 1), :].shape
# (3, 2, 5)
np.all(arr[:, (0, 1), :] == arr[:, :2, :])
# True
和:
arr[:, :, (0, 1)].shape
# (3, 4, 2)
np.all(arr[:, :, (0, 1)] == arr[:, :, :2])
# True
但是,如果我这样做:
arr[:, (0, 1), (0, 1)].shape
# (3, 2)
这基本上是 arr[:, 0, 0]
和 arr[:, 1, 1]
连接起来的。
我期望得到:
arr[:, (0, 1), (0, 1)].shape
# (3, 2, 2)
np.all(arr[:, (0, 1), (0, 1)] == arr[:, :2, :2])
# True
但事实显然并非如此。
如果我连接两个单独的切片,我将能够获得所需的结果,即:
arr[:, (0, 1), :][:, :, (0, 1)].shape
# (3, 2, 2)
np.all(arr[:, (0, 1), :][:, :, (0, 1)] == arr[:, :2, :2])
# True
是否有可能获得与 arr[:, (0, 1), :][:, :, (0, 1)] 相同的结果,但使用单个切片?
现在,这个例子不是那么有趣,因为我可以用 slice()
替换 tuple()
,但如果这不是真的,那么一切都会变成更相关,例如:
arr[:, (0, 2, 3), :][:, :, (0, 2, 3, 4)]
# [[[ 0 2 3 4]
# [10 12 13 14]
# [15 17 18 19]]
# [[20 22 23 24]
# [30 32 33 34]
# [35 37 38 39]]
# [[40 42 43 44]
# [50 52 53 54]
# [55 57 58 59]]]
其中 arr[:, (0, 2, 3), (0, 2, 3, 4)]
会是更方便的语法。
编辑
@Divakar @hpaulj 和 @MadPhysicist 评论/答案指出正确广播的 Iterable 相当于多个串联切片。
然而,事实并非如此,例如:
s = np.ix_((0, 1), (0, 1, 2, 3))
arr[s[0], slice(3), s[1]]
# [[[ 0 5 10]
# [ 1 6 11]
# [ 2 7 12]
# [ 3 8 13]]
#
# [[20 25 30]
# [21 26 31]
# [22 27 32]
# [23 28 33]]]
但是:
arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)]
# [[[ 0 1 2 3]
# [ 5 6 7 8]
# [10 11 12 13]]
#
# [[20 21 22 23]
# [25 26 27 28]
# [30 31 32 33]]]
和:
np.all(arr[:2, :3, :4] == arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)])
# True
np.all(arr[s[0], slice(3), s[1]] == arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)])
# False
最佳答案
如果您想实现以编程方式切片数组的能力,答案是 slice
对象,而不是索引序列。例如,:2
变为 slice(None, 2)
:
np.all(arr[:, slice(None, 2), slice(None, 2)] == arr[:, :2, :2])
切片选择轴的一部分。索引数组则不然:它们选择单个元素。索引的形状决定了这种情况下输出的形状。
如果要跨多个维度选择任意索引,索引数组的形状必须与所需输出的形状相同,或广播到它:
arr[:, [[0], [2], [3]], [[0, 2, 3, 4]]]
关于python - 具有多个元组的 NumPy 切片,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56328467/