如何使用 ndarray 矩阵来选择 ndarray 的元素?
这是我的意思的一个例子。
a = np.arange(9)
b = np.arange(5)
c = np.arange(12)
A, B, C = np.meshgrid(a, b, c, indexing='ij')
现在,对于 a 的每个值, c , 我想要 b最小化 A+C=B .获取索引:
idx = np.abs(A+C-B).argmin(axis=1)
很明显,idx有形状 (9, 12) - 它包含每个 9 的 b 索引a,以及每个 12 C。
现在,我想选择具有“优化 b”的矩阵。也就是说,类似于
B[:, idx, :]
据说有形状 (9, 1, 12) - 因为对于每个其他组合,它只有一个值 b - 最小化一个。现在,B[:, idx, :]相反,给我所有形状为 (9, 9, 12, 12) 的潜在组合的网格.我也试过了
B[np.arange(B.shape[0]), idx, np.arange(B.shape[2])]
IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (9,) (9,12) (12,)
我如何获得上述特定类型的矩阵?
请您参考如下方法:
你只需要用 np.newaxis/None 添加一个轴触发 advanced-indexing -
B[np.arange(B.shape[0])[:,None], idx, np.arange(B.shape[2])]
这个想法基本上是将 idx 的行映射到 np.arange(B.shape[0]) 的第一个索引数组,因此我们需要在那里添加一个轴。为了映射 idx 的列,我们已经让 np.arange(B.shape[2]) 沿着它的列对齐。
替代np.newaxis
添加新轴的另一种方法是使用 reshape 因此,我们可以替换B[np.arange(B.shape[0])[:,None] 使用 np.arange(B.shape[0]).reshape(-1,1)。
进一步优化
我们可以优化代码,通过使用开放数组来替换由meshgrid创建的巨大数组,就像这样-
A0, B0, C0 = np.ix_(a,b,c)
idx = np.abs(A0+C0-B0).argmin(axis=1)
因此,得到最终的输出,像这样-
B[np.arange(len(a))[:,None], idx, np.arange(len(c))]
只是给我们自己一个节省内存的想法-
In [47]: A.nbytes + B.nbytes + C.nbytes
Out[47]: 12960
而 A0、B0、C0 分别是输入数组 a、b、c 的 View ,因此不占用任何额外的内存,即完全免费 -
In [49]: np.shares_memory(a,A0)
Out[49]: True
为了完整起见,获取 idx 的直接方法是 -
np.abs(a[:,None,None]+c-b[:,None]).argmin(axis=1)
