Numpy 使用二维整数数组索引三维数组的最后一个维度
我有一个3DNumpy 使用二维整数数组索引三维数组的最后一个维度,numpy,indexing,mask,Numpy,Indexing,Mask,我有一个3Ddata=NxMxDnumpy数组和另一个2Didx=NxM整数数组,其值在[0,D-1]范围内。我想在该位置的idx数组给定的深度处对每个data=NxM条目执行基本更新 例如,对于N=M=D=2: data = np.zeros((2,2,2)) idx = np.array([[0,0],[1, 1]], int) 我想执行一个简单的操作,比如: data[..., idx] += 1 我的预期产出是: >>> data array([[[ 1., 0.
data=NxMxD
numpy数组和另一个2Didx=NxM
整数数组,其值在[0,D-1]
范围内。我想在该位置的idx
数组给定的深度处对每个data=NxM
条目执行基本更新
例如,对于N=M=D=2
:
data = np.zeros((2,2,2))
idx = np.array([[0,0],[1, 1]], int)
我想执行一个简单的操作,比如:
data[..., idx] += 1
我的预期产出是:
>>> data
array([[[ 1., 0.],
[ 1., 0.]],
[[ 0., 1.],
[ 0., 1.]]])
idx
为每个二维坐标指示应更新的D
。上述操作不起作用
我在中找到了通过使用以下方法解决索引问题的SO:
data[np.arange(N)[:, None], np.arange(M)[None, :], idx] += 1
它工作得很好,但是看起来非常可怕,需要手动索引整个矩阵,这似乎是一个非常简单的操作(使用一个矩阵作为最后一个通道的索引掩码)
有更好的解决方案吗?使用
numpy.ix
看起来并不可怕,但使用花式索引的基本思想仍然是一样的
x = np.arange(N)
y = np.arange(M)
xx,yy = np.ix_(x,y)
data[xx,yy,idx] += 1
注意
问题是您想更改数据的值。如果您只想获得符合idx
的值,您可以这样做
out = np.choose(idx,data.transform(2,0,1))
但是,这会为您提供数据
值的副本,而不是视图,这意味着
out += 1
对数据中的值没有影响