python - 过滤后的 Numpy 数组更改维数

Question

我在习惯 Numpy 数组时遇到了困难(我是 Matlab 用户)。当我尝试从数组中仅选择一系列值时，我发现生成的数组有一个额外的维度:

    ioi = np.nonzero((self.data_array[0,:] >= range_start) & (self.data_array[0,:] <= range_end))

    print("self.data_array.shape = {0}".format(self.data_array.shape))
    print("self.data_array.shape[:,ioi] = {0}".format(self.data_array[:,ioi].shape))

结果是:

self.data_array.shape = (5, 50000)
self.data_array.shape[:,ioi] = (5, 1, 408)

我还看到 ioi 是一个元组。不知道跟这个有没有关系。

这里发生了什么来创建额外的维度，在这种情况下我应该怎么做，以最直接的方式获得 (5,408) 的数组形状？

Answer 1

最简单、最有效的方法是摆脱 np.nonzero 调用，并像在 Matlab 中一样使用逻辑索引。这是一个例子。 (仅供引用，我使用的是相同形状的随机数据。)

>>> data = np.random.randn(5, 5000)
>>> start, end = -0.5, 0.5
>>> ioi = (data[0] > start) & (data[0] < end)
>>> print(ioi.shape)
(5000,)
>>> print(ioi.sum())
1900
>>> print(data[:, ioi].shape)
(5, 1900)

通常不需要np.nonzero调用。就像Matlab的find函数一样，它与逻辑索引相比速度较慢，并且通常通过逻辑索引可以更有效地实现目标。 np.nonzero 与 find 一样，主要应仅在您需要实际索引值本身时使用。

正如您所怀疑的，额外维度的原因是元组的处理方式与 NumPy 中其他类型的索引数组不同。这是为了允许更灵活的索引，例如使用切片、省略号等。请参阅 this useful page进行深入解释，尤其是最后一节。

至少还有两个其他选项可以解决该问题。一种是使用从 np.nonzero 返回的 ioi 数组，直接作为数据数组的唯一索引。如:self.data_array[ioi]。拥有额外维度的部分原因是您在调用中实际上有两组索引:切片 (:) 和元组 ioi。由于这个原因，np.nonzero 保证返回一个元组，因此它的输出始终可以用于直接索引源数组。

最后一个选项是在返回的数组上调用 np.squeeze，但我会首先选择上述其中一个。