Numpy 使用另一个3D索引数组为4D数组编制索引

A具有4D数组

M

（

A x b x c x d

）和索引数组

I

（

3 x f

），例如

我想使用

I

得到一个矩阵

X

，该矩阵有

f

行和

d

列，其中：

X[0,:] = M[1,2,4,:]
X[1,:] = M[2,1,1,:]
X[2,:] = M[3,3,6,:]
...

---

我知道我可以使用

M[I[0]，I[1]，I[2]]

，但是，我想知道是否有更简洁的解决方案？

这是一种方法-

import numpy as np

# Get row indices for use when M is reshaped to a 2D array of d-columns format
row_idx = np.sum(I*np.append(1,np.cumprod(M.shape[1:-1][::-1]))[::-1][:,None],0)

# Reshape M to d-columns 2D array and use row_idx to get final output
out = M.reshape(-1,M.shape[-1])[row_idx]

作为查找

row\u idx

的替代方法，如果您希望避免

np.append

，您可以这样做-

row_idx = np.sum(I[:-1]*np.cumprod(M.shape[1:-1][::-1])[::-1][:,None],0) + I[-1]

或者用不那么可怕的方式获得

行\u idx

-

_,p2,p3,_ = M.shape
row_idx = np.sum(I*np.array([p3*p2,p3,1])[:,None],0)

---

您可以使用，例如：

I = np.array([[1,2,3], [2,1,3], [4,1,6]])
M = np.ndarray((10,10,10,10))
X = np.array([M[t,:] for t in I])

---

您现有的解决方案看起来相当简洁，不是吗？

I = np.array([[1,2,3], [2,1,3], [4,1,6]])
M = np.ndarray((10,10,10,10))
X = np.array([M[t,:] for t in I])