python - Numpy高级选择不起作用

有人能帮助我理解为什么有时高级选择不起作用，我能做什么使它发挥作用（第二种情况）？

>>> import numpy as np
>>> b = np.random.rand(5, 14, 3, 2)

# advanced selection works as expected
>>> b[[0,1],[0,1]]
array([[[ 0.7575555 ,  0.18989068],
        [ 0.06816789,  0.95760398],
        [ 0.88358107,  0.19558106]],

       [[ 0.62122898,  0.95066355],
        [ 0.62947885,  0.00297711],
        [ 0.70292323,  0.2109297 ]]])

# doesn't work - why?
>>> b[[0,1],[0,1,2]]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: shape mismatch: objects cannot be broadcast to a single shape

# but this seems to work
>>> b[:,[0,1,2]]
array([[[[  7.57555496e-01,   1.89890676e-01],
         [  6.81678915e-02,   9.57603975e-01],
         [  8.83581071e-01,   1.95581063e-01]],

        [[  2.24896112e-01,   4.77818599e-01],
         [  4.29313861e-02,   8.61578045e-02],
         [  4.80092364e-01,   3.66821618e-01]],
...

更新
分解选择似乎可以解决问题，但我不确定为什么这是必要的（或者是否有更好的方法来实现这一点）。

>>> b.shape
(5, 14, 3, 2)
>>> b[[0,1]].shape
(2, 14, 3, 2)

# trying to separate indexing by dimension.
>>> b[[0,1]][:,[0,1,2]]
array([[[[ 0.7575555 ,  0.18989068],
         [ 0.06816789,  0.95760398],
         [ 0.88358107,  0.19558106]],

        [[ 0.22489611,  0.4778186 ],
         [ 0.04293139,  0.0861578 ],

最佳答案

你想要的

b[np.ix_([0, 1], [0, 1, 2])]

您还需要对b[[0, 1], [0, 1]]执行相同的操作，因为这实际上并没有执行您认为的操作：

b[np.ix_([0, 1], [0, 1])]

这里的问题是高级索引与你认为的完全不同。你犯了一个错误，认为b[[0, 1], [0, 1, 2]]意味着“把b[i, j]的所有部分都取出来，其中b是0或1，i是0、1或2”。这是一个合理的错误，考虑到在索引表达式中有一个列表时，它看起来是这样的。

b[:, [1, 3, 5], 2]

实际上，对于数组j和一维整数数组A和I，J是一个数组，其中

A[I, J][n] == A[I[n], J[n]]

这以自然的方式推广到更多的索引数组，例如

A[I, J, K][n] == A[I[n], J[n], K[n]]

如果A[I, J]和I是二维的，那么

A[I, J][m, n] == A[I[m, n], J[m, n]]

它还将广播规则应用于索引数组，并将索引中的列表转换为数组。这比你预期的要强大得多，但这意味着要做你想做的事，你需要像

b[[[0],
   [1]], [[0, 1, 2]]]

J是一个帮助程序，它可以帮你做到这一点，这样你就不用写十几个括号了。

关于python - Numpy高级选择不起作用，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36733557/