numpy 的高级索引,使用整数组索引,加不加numpy.ix_() 有什么区别

当在numpy中,使用整数索引,有个地方需要注意。

import numpy as np

nda = np.arange(36)
nda = nda.reshape(3,4,3)

数据是这样的:

array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8],
        [ 9, 10, 11]],

       [[12, 13, 14],
        [15, 16, 17],
        [18, 19, 20],
        [21, 22, 23]],

       [[24, 25, 26],
        [27, 28, 29],
        [30, 31, 32],
        [33, 34, 35]]])

如果我们执行:

        nda[[0,1,2], [2,3,1]] 表示取 3 个分别坐标[0,2], [1,3], [2,1] 数据组成一个新的列表,结果为:

 array([[ 6,  7,  8],
       [21, 22, 23],
       [27, 28, 29]])

再换一下,如果执行的是 nda[[0,1], [2,3], [1,2]],则表示从取个分别坐标为:[0,2,1], [1,3,2] 的数据组成一个新的列表,结果为:

array([ 7, 23])

就是说,如是对numpy的ndarray数组,直接使用整数数组索引的话,则每个索引数组是对应一个维度的索引值。这时每个索引数组相同位置的值组成了一个多维坐标索引(如果索引数组的位数不一致,则采用类似广播机制,采用上一个),就对应了数组中的一个具体的值(或是子数组)。也就是直接定位多维空间中的坐标位置上的数据。

如果我们的目的是希望做条件筛选,第一个维度的值 为 [0,1], 第二个维度的值为[2,3],  第三个维度的值为[1,2],而不是直接定位抓取,此里,需要采用 numpy.ix_ 方法

nda[np.ix_([0,1], [2,3], [1,2])],此时的结果是:

array([[[ 7,  8],
        [10, 11]],

       [[19, 20],
        [22, 23]]])

保持相同的维度数,每个维度的数量根据索引数组进行了筛选。

所以,当采用整数数组进行索引时,一定想搞清楚,自己的目标是什么,确定要不要采用 numpy.ix_ 方法

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值