Python np.作业的压缩

我有

t.shape=（M，N）

，现在我想给数组的一部分赋值

v

，该部分用变量

M

和

N

索引

m

是一个数组，

n

或者

int

或者也是一个数组。 如果

n

是一个数组，我会

m=m。重塑（-1，1）

。这对于像这样的访问非常有效

t[m, n]

然后我可以使用

np.squeeze(t[m, n])

删除之前添加的附加维度（如果

n

为

int

）

然而，如果我这样做

t[m, n] = v

它不会工作，因为如果

n

是

int

，

v.shape=（m.size，）

，即

v

只有一个维度。我可以检查

n

是否为整数，并相应地更改逻辑（要么不向

m

添加维度，要么也向

v

添加维度）

有没有更优雅的解决方案（

np.squence（t[m，n]）=v

会更好，但显然它不是这样工作的）

编辑：

具体例子：

def change_data(data, slices, channels, values):
    data[slices.reshape(-1, 1), channels] = values

data = np.random.randint(low=0, high=10, size=(10, 4))
slices = np.arange(4)
channels = [2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels)))) # The values come as a list
try:
    change_data(data, slices, channels, values) # Does not work
    print("Single channel does work")
except:
    print("Single channel does not work")
channels = [1, 2]
values = np.squeeze(np.random.randint(low=0, high=10, size=(slices.size, len(channels))))
try:
    change_data(data, slices, channels, values) # Works
    print("Multi channel does work")
except:
    print("Multi channel does not work")

在这个简单的例子中，这看起来有点可笑，因为我这里有一个额外的

np.squence

操作，但是根据数组的维数，这可能有点麻烦，因此如果我可以“挤压”索引选择，问题就会解决。我希望现在更清楚了

In [44]: data = np.arange(40).reshape(10,4)                                               

通过制作第一个索引（4,1）形状，我们可以使用各种大小的第二个数组进行索引：

In [46]: data[np.arange(4)[:,None],[2]]                                                   
Out[46]: 
array([[ 2],
       [ 6],
       [10],
       [14]])
In [47]: data[np.arange(4)[:,None],[1,2]]                                                 
Out[47]: 
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]])

第一个结果是（4,1）形状，第二个结果是（4,2）

通过

挤压

我们得到（4，），相当于索引：

In [48]: data[np.arange(4),2]                                                             
Out[48]: array([ 2,  6, 10, 14])

np.ix

生成类似的索引集，例如（4,1）和（1,2）

（4,1）和（1,1）：

（m，1）使用（1，n）进行广播以产生（m，n）结果。（n，）和（1，n）一样有效——同样是广播规则

通过更改，您希望为该（m，n）块指定一个值。在这种情况下，a（4,2）起作用，a（4,1）也起作用。但您希望分配一个（4，）。但通过广播（4），可以广播到（1,4），但不能广播到（4,1）。它可以添加前导维度，但不能添加尾随维度

In [51]: data[np.arange(4)[:,None],[2]]=np.ones(4)                                        
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-51-9245de6331ce> in <module>
----> 1 data[np.arange(4)[:,None],[2]]=np.ones(4)

ValueError: shape mismatch: value array of shape (4,) could not be 
    broadcast to indexing result of shape (4,1)
In [52]: data[np.arange(4)[:,None],[2]] = np.ones((4,1))    # (4,1) into (4,1)
# (4,1) also goes into a (4,2)
In [53]: data[np.arange(4),[2]] = np.ones(4)   # (4,) into (4,)
In [55]: data[np.arange(4)[:,None],[1,2]] = np.zeros(2)  # (2,) into (4,2) 

[51]中的

：数据[np.arange（4）[：，无]，[2]=np.one（4）
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在里面
---->1数据[np.arange（4）[：，无]，[2]]=np.ones（4）
ValueError:形状不匹配：形状（4，）的值数组无法匹配
广播到形状的索引结果（4,1）
在[52]中：数据[np.arange（4）[：，无]，[2]=np.one（（4,1））#（4,1）转化为（4,1）
#（4,1）也进入a（4,2）
在[53]中：数据[np.arange（4），[2]]=np.one（4）#（4，）到（4，）
在[55]中：数据[np.arange（4）[：，None]，[1,2]=np.zero（2）#（2，）转化为（4,2）

---

flat

可以用来以1d的方式分配值，但它在这里不起作用，因为

data[np.arange（4）[：，None]，[1,2]

是一个副本，如果它以任何方式使用，除了直接在

\uuu setitem\uuuuu

案例中，

data[…]=…

给出一些具体的例子。很难想象你在做什么，否则。虽然我可能可以自己构造一些示例，但我希望您能完成这些工作。@hpaulj感谢您抽出时间。我添加了一个具体的例子这使问题更加清晰，我尤其不知道上一段提到的np.ix和setitem限制，非常感谢您的解释！

In [50]: np.ix_(np.arange(4),[2])                                                         
Out[50]: 
(array([[0],
        [1],
        [2],
        [3]]), array([[2]]))

In [51]: data[np.arange(4)[:,None],[2]]=np.ones(4)                                        
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-51-9245de6331ce> in <module>
----> 1 data[np.arange(4)[:,None],[2]]=np.ones(4)

ValueError: shape mismatch: value array of shape (4,) could not be 
    broadcast to indexing result of shape (4,1)
In [52]: data[np.arange(4)[:,None],[2]] = np.ones((4,1))    # (4,1) into (4,1)
# (4,1) also goes into a (4,2)
In [53]: data[np.arange(4),[2]] = np.ones(4)   # (4,) into (4,)
In [55]: data[np.arange(4)[:,None],[1,2]] = np.zeros(2)  # (2,) into (4,2)