<分区>
我想在 rank-3 numpy 数组中找到沿给定轴的最小值的位置。我已经使用 np.argmin 获得了这些位置，但是我不确定如何将其“应用”到原始矩阵以获得实际的最小值。
例如:
import numpy as np
a = np.random.randn(10, 5, 2)
min_loc = a.argmin(axis = 0) # this gives an array of shape (5, 2)
现在，问题是如何使用 min_loc 获得实际的最小值？我试过 a[min_loc]，它给了我一个形状 (5, 2, 5, 2)。这个形状的逻辑是什么？我如何使用这个辅助矩阵来获得形状 (5, 2)
请注意，a.min(axis = 0) 不是我正在寻找的解决方案。我需要一个通过 argmin 的解决方案。
最佳答案
a[min_loc] 做 integer array indexing在第一个维度上，即它将为 min_loc 中的每个索引选择 (5, 2) 形状的数组。由于 min_loc 本身是 (5, 2) 形状的，对于 min_loc 中的每个整数，它会选择另一个 (5, 2 ) 形数组。您最终得到一个 (5, 2, 5, 2) 数组。同样的原因 a[np.array([0, 3])] 具有 (2, 5, 2) 和 a[np.array( [[0], [3]])] 的形状为 (2, 1, 5, 2)，因为您只提供第一个维度的索引。
对于您的用例，您不想为 min_loc 中的每个索引选择一个子数组，而是需要一个元素。例如，如果您有 min_loc = [[5, ...], ...]，则第一个元素的完整索引应为 5, 0, 0而不是 5, :, :。这正是advanced indexing做。基本上通过提供一个整数数组作为每个维度的索引，您可以选择与特定位置对应的元素。您可以使用 np.indices 从 (5, 2) 形状构造第二和第三维度的索引:
j, k = np.indices(min_loc.shape)
a[min_loc, j, k]
# [[-1.82762089 -0.80927253]
# [-1.06147046 -1.70961507]
# [-0.59913623 -1.10963768]
# [-2.57382762 -0.77081778]
# [-1.6918745 -1.99800825]]
其中 j, k 是 2 维和 3 维的坐标:
j
#[[0 0]
# [1 1]
# [2 2]
# [3 3]
# [4 4]]
k
#[[0 1]
# [0 1]
# [0 1]
# [0 1]
# [0 1]]
或者如@hpaulj 所言，使用np.take_along_axis 方法:
np.take_along_axis(a, min_loc[None], axis=0)
# [[[-0.93515242 -2.29665325]
# [-1.30864779 -1.483428 ]
# [-1.24262879 -0.71030707]
# [-1.40322789 -1.35580273]
# [-2.10997209 -2.81922197]]]
关于python - 如何使用 argmin 的输出作为 Numpy 的索引，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/66402679/