我有t.shape=(M, N)
,现在我想将新值v
分配给数组的一部分,该部分是用变量索引的m
和 n
。 m
是一个数组,n
可以是 int
也可以是一个数组。
如果 n
是一个数组,我会执行 m=m.reshape(-1, 1)
。这对于像这样的访问非常有效
t[m, n]
然后我就可以使用
np.squeeze(t[m, n])
删除之前添加的附加维度(如果n
是int
)。
但是,如果我这样做
t[m, n] = v
它不会工作,因为如果n
是int
,v.shape=(m.size,)
,即 v
只有一个维度。我可以检查 n
是否为整数并相应地更改逻辑(要么不向 m
添加维度,要么向 v
添加一)。
是否有更优雅的解决方案(np.squeeze(t[m, n]) = v
会很好,但显然这不是它的工作原理)?
编辑:
具体例子:
def change_data(data, slices, channels, values):
data[slices.reshape(-1, 1), channels] = values
data = np.random.randint(low=0, high=10, size=(10, 4))
slices = np.arange(4)
channels = [2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels)))) # The values come as a list
try:
change_data(data, slices, channels, values) # Does not work
print("Single channel does work")
except:
print("Single channel does not work")
channels = [1, 2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels))))
try:
change_data(data, slices, channels, values) # Works
print("Multi channel does work")
except:
print("Multi channel does not work")
在这个简单的例子中看起来有点荒谬,因为我在这里有一个额外的 np.squeeze 操作,但是根据数组有多少维,这可能有点麻烦,因此如果我只要“挤压”索引选择,问题就解决了。我希望现在更清楚了......
最佳答案
In [44]: data = np.arange(40).reshape(10,4)
通过使第一个索引为 (4,1) 形状,我们可以使用各种大小的第二个数组进行索引:
In [46]: data[np.arange(4)[:,None],[2]]
Out[46]:
array([[ 2],
[ 6],
[10],
[14]])
In [47]: data[np.arange(4)[:,None],[1,2]]
Out[47]:
array([[ 1, 2],
[ 5, 6],
[ 9, 10],
[13, 14]])
第一个结果是 (4,1) 形状,第二个结果是 (4,2)。
通过squeeze
我们得到(4,),相当于索引:
In [48]: data[np.arange(4),2]
Out[48]: array([ 2, 6, 10, 14])
np.ix_
生成类似的索引集,例如(4,1) 和 (1,2)
In [49]: np.ix_(np.arange(4),[1,2])
Out[49]:
(array([[0],
[1],
[2],
[3]]), array([[1, 2]]))
和 (4,1) 与 (1,1):
In [50]: np.ix_(np.arange(4),[2])
Out[50]:
(array([[0],
[1],
[2],
[3]]), array([[2]]))
(m,1) 使用 (1,n) 进行广播以产生 (m,n) 结果。 (n,) 与 (1,n) 一样有效 - 同样是广播规则。
通过更改,您希望为该 (m,n) block 分配一个值。在这种情况下,(4,2) 和 (4,1) 一样有效。但您想分配 (4,)。但是通过广播(4,)可以广播到(1,4),但不能广播到(4,1)。它可以添加前导尺寸,但不能添加尾随尺寸。
In [51]: data[np.arange(4)[:,None],[2]]=np.ones(4)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-51-9245de6331ce> in <module>
----> 1 data[np.arange(4)[:,None],[2]]=np.ones(4)
ValueError: shape mismatch: value array of shape (4,) could not be
broadcast to indexing result of shape (4,1)
In [52]: data[np.arange(4)[:,None],[2]] = np.ones((4,1)) # (4,1) into (4,1)
# (4,1) also goes into a (4,2)
In [53]: data[np.arange(4),[2]] = np.ones(4) # (4,) into (4,)
In [55]: data[np.arange(4)[:,None],[1,2]] = np.zeros(2) # (2,) into (4,2)
flat
可用于以一维方式赋值,但它在这里不起作用,因为 data[np.arange(4)[:,None],[1, 2]]
是一个副本,如果它以任何方式使用,除了直接在 __setitem__
情况下,data[...] = ...
。
关于python - np.squeeze 进行作业,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56677076/