Arrays Numpy二维数组布尔掩蔽

我不明白这其中的一个例子

那么为什么

a[b1，b2]

会返回

数组（[4，10]）

？它不应该返回

数组（[[4,6]，[8,10]]）

---

任何详细的解释都将不胜感激

第一个数组的true索引为

>>> i = np.where(b1)
>>> i 
array([1,2])

对于第二个数组，它们是

>>> j = np.where(b2)
>>> j
array([0,1])

将这些索引掩码一起使用

>>> a[i,j]
array([4, 10])

---

当您使用多个数组对数组进行索引时，它将使用索引数组中的元素对进行索引

>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b1
array([False,  True,  True], dtype=bool)
>>> b2
array([ True, False,  True, False], dtype=bool)
>>> a[b1, b2]
array([ 4, 10])

请注意，这相当于：

>>> a[(1, 2), (0, 2)]
array([ 4, 10])

哪些是

a[1,0]

和

a[2,2]

>>> a[1, 0]
4
>>> a[2, 2]
10

由于这种成对行为，通常不能使用单独的长度数组进行索引（它们必须能够广播）。所以这个例子有点意外，因为两个索引数组都有两个索引，它们都是

True

；例如，如果其中一个有三个

True

值，您将得到一个错误：

>>> b3 = np.array([True, True, True, False])
>>> a[b1, b3]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (3,)

否则，也可以将索引数组转换为与

a

形状相同的二维数组，但请注意，如果这样做，结果将是线性数组（因为可以拉出任意数量的元素，当然可能不是正方形）：

---

在2D numpy数组上应用常规布尔2D掩码的另一种方法如下：

使用矩阵元素相乘：

import numpy as np

n = 100
mask = np.identity(n)
data = np.random.rand(n,n)

data_masked = data * mask

在这个随机示例中，只保留对角线上的元素掩模可以是任意n×n矩阵。

>>> a[b1][:, b2]
array([[ 4,  6],
       [ 8, 10]])

>>> a[np.outer(b1, b2)]
array([ 4,  6,  8, 10])

import numpy as np

n = 100
mask = np.identity(n)
data = np.random.rand(n,n)

data_masked = data * mask