Python numpy数组切片，从每个三维空间获取一个

我有一个3D数据阵列。我有一个2D索引数组，其中形状匹配数据数组的前两个维度，它指定了我要从数据数组中提取的索引，以创建2D数组。例如：

 from numpy import *
 a = arange(3 * 5 * 7).reshape((3,5,7))
 getters = array([0,1,2] * (5)).reshape(3,5)

我要寻找的是一种类似

a[：，：，getters]

的语法，它通过独立索引到每个项目的第三维来返回一个形状数组（3,5）。但是，

a[：，：，getters]

返回一个形状数组（3,5,3,5）。我可以通过迭代和构建一个新数组来实现，但这相当慢：

 array([[col[getters[ri,ci]] for ci,col in enumerate(row)] for ri,row in enumerate(a)])
 # gives array([[  0,   8,  16,  21,  29],
 #    [ 37,  42,  50,  58,  63],
 #    [ 71,  79,  84,  92, 100]])

---

有没有一种简洁而快速的方法？

如果我没弄错的话，我已经用奇特的索引做了类似的事情：

>>> k,j = np.meshgrid(np.arange(a.shape[1]),np.arange(a.shape[0]))
>>> k
array([[0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4]])
>>> j
array([[0, 0, 0, 0, 0],
       [1, 1, 1, 1, 1],
       [2, 2, 2, 2, 2]])
>>> a[j,k,getters]
array([[  0,   8,  16,  21,  29],
       [ 37,  42,  50,  58,  63],
       [ 71,  79,  84,  92, 100]])

---

当然，您可以随时使用

k

和

j

。正如DSM在下面的评论中指出的那样，

j，k=np.索引（a.shape[：2]）

也应该起作用，而不是

meshgrid

。哪一个更快（显然）取决于您使用的元素数量。

小调整：

j，k=np.index（a.shape[：2]）

。index是一个非常好的函数，但在短期测试中，它的性能比meshgrid@EnricoGiampieri：虽然

np.索引

对于较大的数组是有利的，但这是正确的；我得到了大约10^6个元素的交叉。@DMS我想这取决于机器，对于10^6个元素（形状（50,50,50）），我得到np.index需要两倍的时间。从源代码中很难说在什么条件下哪一种性能更好……有什么见解吗？@DSM——谢谢。事实上，我曾经尝试过解决这个问题，我在上面发布的解决方案是我能想到的最好的。与许多事情一样，numpy也有不同的方法。