Python 降低n维numpy阵列维数的有效方法

我正在做一个项目，我有一组手势识别的样本（ChaLearn数据集）

输入是一个（10000,6,32,64,64）数组。我有10000个例子，6个特征图（身体，左手，右手深度和rgb图像），32帧64乘64

我必须只选择深度图像（索引1、3和5）和32帧中的4帧（索引8、13、18、25）

我对python不太熟悉，所以我一直在胡闹，我认为我的解决方案很好，但速度非常慢。大多数情况下，这两个选择占用大量时间（此位为70-80秒）

samples.shape在开始时为我提供（10000,6,32,64,64）

samples = samples[0:samples.shape[0],0:samples.shape[1],(7,13,18,25)]
samples = samples[0:samples.shape[0],(1,3,5)]
samples = floatX(samples.reshape((samples.shape[0],12,64,64)))/255.

samples.shape最后给了我（10000,12,64,64）

有没有更有效的方法来实现我的目标？还是我完全错了

---

暂时忽略floatx部分：）

首先，您可以执行

示例[：，：，（7,13,18,25）]

。但是，速度慢的原因是因为您正在执行2次复制操作。虽然您可以使用

take

，在某种程度上简化内容，但您目前无法回避这一问题：

samples = np.take(np.take(samples, [7,13,18,25], axis=2), [1,3,4], axis=1)

实际上，有一些工作正在进行，以使您试图做的操作更容易，但它还没有准备好

---

如果你没有使用

numpy

1.9，你肯定应该升级到它，因为你正在做的“花式”索引要快得多。在早期版本中，

take

版本会更快。

如另一个答案中所述，numpy中有一些关于简化此操作的讨论，但在您的情况下，由于要索引的两个轴在形状上相邻，所以情况并没有那么糟。在完全避免了中间副本之后，这将使您了解您的情况：

depth_idx = np.array([1, 3, 5], dtype=np.intp)
frame_idx = np.array([8, 13, 18, 25], dtype=np.intp)
samples = samples[:, depth_idx[:, None], frame_idx].reshape(-1, 12, 64, 64)

实际上，由于您的

depth\u idx

恰好可以作为一个片写入，因此在这种特殊情况下，您最好执行以下操作：

samples = samples[:, 1::2, frame_idx].reshape(-1, 12, 64, 64)

有没有更有效的方法来实现我的目标

如果您愿意查看另一层抽象，您可能需要考虑为更大数据设计的格式。就我个人而言，我使用了它，它有一些很好的python模块，比如和

---

我看到的两个主要优点是，您可以一次存储更大的数据集（因为您不必将整个数据集加载到内存中），并且可以将元数据应用到数据中（使用

.attrs

）。当您构建hdf数据集时，您可以对其进行组织，以便您对“索引1、3和5”之类的内容的“查询”更具逻辑性。

Ok。是的，我以前尝试过在一次操作中进行奇特的选择，但它给了我一个错误，即目前只允许进行一次选择。太糟糕了。感谢您的快速回复和帮助！我已经从h5py模块中获取了数据。它是以HDF格式给我的。我正在考虑在我需要的结构中重新写入数据，并保留旧结构作为备份。输入Thx！