Python 使用数组和切片对多维数组进行Numpy索引

我的怀疑是关于numpy文档的

y=np.arange（35）。重塑（5,7）

这就是我试图澄清的操作：

y[np.数组（[0,2,4]），1:3]

根据文件：
实际上，切片被转换为索引数组np.array（[[1,2]]）（shape（1,2）），该数组与索引数组一起广播，以生成shape（3,2）的结果数组

这不起作用，所以我假设它不是等效的

y[np.数组（[0,2,4]），np.数组（[1,2]）]

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
---->1 y[np.数组（[0,2,4]），np.数组（[1,2]）]
ValueError:形状不匹配：无法将对象广播到单个形状

---

这个形状（3,2）的广播数组看起来怎么样

y[数据，开始索引：结束索引]

   import numpy as np
    y = np.arange(35).reshape(5,7)
    print(y)
    [[ 0  1  2  3  4  5  6]
     [ 7  8  9 10 11 12 13]
     [14 15 16 17 18 19 20]
     [21 22 23 24 25 26 27]
     [28 29 30 31 32 33 34]]
    print(y[np.array([0,2,4]),1:3])
    [[ 1  2]
     [15 16]
     [29 30]]

---

您是对的，这里的文档可能不正确，或者至少缺少一些内容。我将在文件中对此进行归档，以便澄清

事实上，大多数文档仅显示了此示例，但除此之外，您会遇到以下问题：

>>> y[np.array([0,2,4]), np.array([0,1])]
<type 'exceptions.ValueError'>: shape mismatch: objects cannot be
broadcast to a single shape

>>y[np.数组（[0,2,4]），np.数组（[0,1]）]
：形状不匹配：对象无法匹配
广播成单一形状

广播更像是：

In [280]: y[np.array([0,2,4])[...,None], np.array([1,2])]
Out[280]: 
array([[ 1,  2],
       [15, 16],
       [29, 30]])

我在

[0,2,4]

中添加了一个维度，使其成为2d<代码>广播阵列可用于查看广播阵列的外观：

In [281]: np.broadcast_arrays(np.array([0,2,4])[...,None], np.array([1,2]))
Out[281]: 
[array([[0, 0],
        [2, 2],
        [4, 4]]), 
 array([[1, 2],
        [1, 2],
        [1, 2]])]

np.broadcast_数组（[[0]、[2]、[4]]、[1,2]）

是没有

数组包装的相同内容<代码>np.meshgrid（[0,2,4]，[1,2]，index='ij'）

是生成这些索引数组的另一种方法

（由

meshgrid

或

broadcast\u数组生成的列表可以用作
y[\u]
的参数）

所以说
[1,2]
是通过索引数组广播的，这是正确的，但是它忽略了关于调整维度的部分

稍早之前，他们有这样一个例子：

y[np.array([0,2,4])]

这相当于
y[np.array（[0,2,4]），：]
。它从中选取3行和所有项目。
1:3
案例可以看作是此案例的扩展，选择3行，然后选择2列

y[[0,2,4],:][:,1:3]

如果广播太混乱，这可能是考虑索引的更好方法


还有另一个文档页面可以更好地处理这个问题


在本文档中，基本索引包括切片和整数

y[:,1:3], y[1,:], y[1, 1:3]

高级索引涉及数组（或列表）

这将生成与
y[：：2，：]
相同的结果，除了列表案例生成副本，切片（基本）视图

y[[0,2,4]，[1,2,3]
是纯高级索引数组索引的一种情况，结果是3个项目，分别位于
（0,1）
，
（2,2）
和
（4,3）

y[[0,2,4]，1:3]
是本文档称之为结合高级和基本索引的
，“高级”来自“[0,2,4]”，基本来自“1:3”



查看更复杂的索引数组可能会增加一些洞察力

In [222]: i=[[0,2],[1,4]]

与另一个列表一起使用，它是“纯”高级的，结果将被广播：

In [224]: y[i, [1,2]]
Out[224]: 
array([[ 1, 16],
       [ 8, 30]])

索引数组是：

In [234]: np.broadcast_arrays(i, [1,2])
Out[234]: 
[array([[0, 2],
        [1, 4]]), 
 array([[1, 2],
        [1, 2]])]

[1,2]
列表刚刚扩展为（2,2）数组

将其与切片一起使用就是这种高级/基本混合的示例，结果是3d
（2,2,2）

广播的等价物是

y[np.array(i)[...,None], [1,2]]

抢手货我从未使用过这种特定的使用模式，但结果肯定是出乎意料的。尝试使用np.array（[1,2]）[：，None]作为第二个参数，使“列索引数组”看起来像列。
In [234]: np.broadcast_arrays(i, [1,2])
Out[234]: 
[array([[0, 2],
        [1, 4]]), 
 array([[1, 2],
        [1, 2]])]

In [223]: y[i, 1:3]
Out[223]: 
array([[[ 1,  2],
        [15, 16]],

       [[ 8,  9],
        [29, 30]]])

y[np.array(i)[...,None], [1,2]]