python - 在删除axis0的第I个索引的子元素的同时创建一个平铺的多维数组？

我试图平铺一个数组，其中每个索引都是多维的。
然后我从每个索引中删除第 i 个子元素。

例如，从这个数组开始:

>>> a = np.array([[    1.     ,     7.     ,     0.     ],
                  [    2.     ,     7.     ,     0.     ],
                  [    3.     ,     7.     ,     0.     ]])
>>> a = np.tile(a, (a.shape[0],1,1))

>>> print a
array([[[    1.     ,     7.     ,     0.     ],
        [    2.     ,     7.     ,     0.     ],
        [    3.     ,     7.     ,     0.     ]],

       [[    1.     ,     7.     ,     0.     ],
        [    2.     ,     7.     ,     0.     ],
        [    3.     ,     7.     ,     0.     ]],

       [[    1.     ,     7.     ,     0.     ],
        [    2.     ,     7.     ,     0.     ],
        [    3.     ,     7.     ,     0.     ]]])

期望的输出:

b = np.array([[[    2.     ,     7.     ,     0.     ],
               [    3.     ,     7.     ,     0.     ]],

              [[    1.     ,     7.     ,     0.     ],
               [    3.     ,     7.     ,     0.     ]],

              [[    1.     ,     7.     ,     0.     ],
               [    2.     ,     7.     ,     0.     ]]])

我想知道是否有一种更有效的方法来生成这个输出，而不必先创建一个大数组然后从中删除？

[更新]

这种排列背后的意图是尝试矢量化而不是使用 python for 循环。 Divakar 提供的答案对完成这项任务有很大帮助。我还想链接到 this post，它显示了这个排列的逆，并且有助于在我完成后重新排列所有值以求和。

另外，我试图在 Tensorflow 的张量上使用相同的排列技术(请参阅 this post )

最佳答案

方法 #1 : 这是一种方法，它创建一个二维索引数组，以便在每行的每个 i-th 位置跳过这些索引，然后使用它来索引输入数组的第一个轴 -

def approach1(a):
    n = a.shape[0]
    c = np.nonzero(~np.eye(n,dtype=bool))[1].reshape(n,n-1) # dim0 indices
    return a[c]

sample 运行 -

In [272]: a
Out[272]:
array([[56, 95],
       [31, 73],
       [76, 61]])

In [273]: approach1(a)
Out[273]:
array([[[31, 73],
        [76, 61]],

       [[56, 95],
        [76, 61]],

       [[56, 95],
        [31, 73]]])

方法#2: 这是使用 np.broadcast_to 的另一种方法，它在输入数组中创建扩展 View ，然后对其进行屏蔽以获得所需的输出 -

def approach2(a):
    n = a.shape[0]
    mask = ~np.eye(n,dtype=bool)
    return np.broadcast_to(a, (n, n, a.shape[-1]))[mask].reshape(n,n-1,-1)

运行时测试

In [258]: a = np.random.randint(11,99,(200,3))

In [259]: np.allclose(approach1(a), approach2(a))
Out[259]: True

In [260]: %timeit approach1(a)
1000 loops, best of 3: 1.43 ms per loop

In [261]: %timeit approach2(a)
1000 loops, best of 3: 1.56 ms per loop

关于python - 在删除axis0的第I个索引的子元素的同时创建一个平铺的多维数组？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/41780018/