Python NumPy索引-索引列表的所有成对元素

在NumPy中使用切片时，将获得所有成对元素，例如：

>> im = np.arange(1,37).reshape((6, 6))
>> im[1:6:2,1:6:2]
array([[ 8, 10, 12],
       [20, 22, 34],
       [32, 34, 36]])

但是，当使用索引列表/元组时，似乎不会遵循此行为：

>> im[(1,3,5),(1,3,5)]
array([ 8, 22, 36])

>> im[[1,3,5],[1,3,5]]
array([ 8, 22, 36])

相反，它只获取对角线（在本例中）。如果不能将索引指定为切片，例如

（1,3,4）

和

（1,3,6）

，则会出现问题。对于这两个元组，我希望得到

（1,1）（1,3）（1,6）（3,1）…

我能想到的所有解决方法都涉及到充实每一对元素，这在试图从海量图像中提取大量元素时是非常昂贵的。在MATLAB中，

im（[1,3,5]，[1,3,5]）

实现了我想要的功能。我知道在NumPy的索引中有很多技巧，我可能只是错过了一些微妙之处

作为结论，示例解决方案：

im[np.meshgrid([1,3,5], [1,3,5], indexing='ij')]
im[zip(*itertools.product([1,3,5], [1,3,5]))].reshape((3,3))

这是你需要的吗

i1 = [1,3,5]
i2 = [1,3,5]
print im[i1][:,i2].ravel()

注意：第一次索引时会创建一个临时数组。如果您的阵列非常大，则可能不需要此阵列。

请尝试：

或者您可以直接执行此操作：

>>> ix = np.array([1, 3, 5])
>>> iy = np.array([1, 3, 5])
>>> im[ix[:, np.newaxis], iy[np.newaxis, :]]
array([[ 8, 10, 12],
       [20, 22, 24],
       [32, 34, 36]])

---

别人的回答是正确的。只是为了解释为什么会发生这种情况

根据-

当像-

x[obj]

这样进行索引时，当选择对象obj是非元组序列对象、数据类型integer或bool的ndarray或至少有一个序列对象的元组或数据类型integer或bool的ndarray时，会触发高级索引

您的案例属于第二类，因此

im[（1,3,5）、（1,3,5）]

触发高级索引。在后面的文章中，我们将对此进行解释-

高级索引始终是一个索引，并作为一个索引进行迭代：

result[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M],
                       ..., ind_N[i_1, ..., i_M]]

请注意，结果形状与（广播）索引数组形状ind_1，…，ind_N相同

它

结果[i_1]

将是-

x[ind_1[i_1]，ind_2[i_1]，…ind_N[i_1]

文档建议使用以实现类似于基本切片的行为-

为了实现与上述基本切片类似的行为，可以使用广播。该功能有助于此广播。最好通过一个例子来理解这一点

---

这确实有效（如果您删除

ravel

）。但是，此处创建的临时值可能大于使用

meshgrid

创建的临时值（如果使用的列少于一半）。但是这是一个很好的方法。你是对的，我最初在整形命令中使用了

order='F'

来生成转置。啊，如果索引是列向量或行向量，那么这就行了。这看起来是最有希望的。使用第二个示例对此进行了测试，效果非常好。我使用了第二个，因为索引已经是列向量，所以它看起来像

im[ix，iy.T]

。这是相当干净，可能非常有效！

result[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M],
                       ..., ind_N[i_1, ..., i_M]]