Numpy索引行为

我在理解多维数组的numpy索引时遇到了很多困难。在我正在使用的这个示例中，假设我有一个2D数组a，它是100x10。然后我有另一个数组B，它是一个100x11D数组，值在0-9之间（a的索引）。在MATLAB中，我将使用

A（sub2ind（size（A），1:size（A，1）”，B）

为A的每一行返回存储在B的对应行中的索引处的值

因此，作为一个测试用例，假设我有：

A = np.random.rand(100,10)
B = np.int32(np.floor(np.random.rand(100)*10))

如果我打印它们的形状，我会得到：

print A.shape returns (100L, 10L)
print B.shape returns (100L,)

当我尝试天真地（错误地）使用B索引到A时

但如果我这样做了

Test2 = A[range(A.shape[0]),B]
print Test2.shape returns (100L,)

---

这就是我想要的。我很难理解这里的区别。在我看来，A[：，5]和A[range（A.shape[0]），5]应该返回相同的东西，但它不在这里。使用

：

与使用

range（sizeArray）

仅从[0:sizeArray]创建数组有何不同包含，使用索引？

让我们看一个简单的数组：

In [654]: X=np.arange(12).reshape(3,4)
In [655]: X
Out[655]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

使用切片，我们可以选择3列

X

，顺序可以任意（甚至重复）。换句话说，除了选定的列之外，我们可以选择所有的行

In [656]: X[:,[3,2,1]]
Out[656]: 
array([[ 3,  2,  1],
       [ 7,  6,  5],
       [11, 10,  9]])

相反，如果我使用3个值的列表（或数组），它会将它们与列值配对，有效地选取3个值，

X[0,3]、X[1,2]、X[2,1]

：

In [657]: X[[0,1,2],[3,2,1]]
Out[657]: array([3, 6, 9])

如果我给它一个列向量来索引行，我得到的结果与切片相同：

In [659]: X[[[0],[1],[2]],[3,2,1]]
Out[659]: 
array([[ 3,  2,  1],
       [ 7,  6,  5],
       [11, 10,  9]])

这相当于选取9个单独的值，由广播生成：

In [663]: np.broadcast_arrays(np.arange(3)[:,None],np.array([3,2,1]))
Out[663]: 
[array([[0, 0, 0],
        [1, 1, 1],
        [2, 2, 2]]), 
 array([[3, 2, 1],
        [3, 2, 1],
        [3, 2, 1]])]

---

numpy

索引可能会令人困惑。但一个好的起点是这个页面：

可能重复相同的内容，但将

np.arange（a.shape[0]）[：，None]

作为第一个索引。

In [663]: np.broadcast_arrays(np.arange(3)[:,None],np.array([3,2,1]))
Out[663]: 
[array([[0, 0, 0],
        [1, 1, 1],
        [2, 2, 2]]), 
 array([[3, 2, 1],
        [3, 2, 1],
        [3, 2, 1]])]