使用NumPy和Python中类似R或MATLAB的语法更新子矩阵

我是一个R用户，我正在学习Python（尤其是numpy），但我不能用Python执行更新子矩阵的简单任务，这在R中很容易完成

所以我有两个问题

第一个是假设我们有一个4乘4的矩阵

A = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])

和一个2乘2的矩阵

B = np.array([[100,200],[300,400]]).

我想获取一个2乘2的

a

子矩阵，该子矩阵由第2行和第4行和第4列（

array（[[6,8][14,16]]）

）构成，并将其替换为

B

我可以通过执行以下操作来提取正确的矩阵

m = [1,3]
A[m][:,m]

但是

A

即使在我将其更新为

B

之后，也不会发生任何事情。就是

A[m][:,m] = B
print A

而

A

结果是一样的

有没有一种方法不使用循环或使用相对简单的代码来实现这一点

第二个相对容易的问题是，在R中，我们可以用

True

和

False

来子集矩阵。从上面的

A

，我们可以通过

m = [F, T, F, T]
A[m,m]

但是，在Python中，相同的代码似乎不起作用，因为

True

为1而

False

为0。我认为我可以将

[F，T，F，T]

转换为

[1,3]

和子集，但我认为可能有一个单步方法来实现这一点

当索引以

True

和

False

的形式给出时，Python中是否有一种简单的方法来执行相同的操作？

对于第1部分，从中，有一些示例显示了对任意切片的只读和可变访问

只读模式类似于您已经描述的，

A[：，m][m]

。这将首先对列进行切片，然后对行进行切片，并提供返回数据的只读视图

为了获得用于突变子数组的干净索引，提供了一个方便的函数，

np.ix

。它将把参数拼接成一个类似R或MATLAB的切片：

indxs = np.ix_([1,3], [1,3])
A[indxs] = B

这背后的原因是NumPy遵循特定的形状一致性规则（称为“广播”规则），关于如何根据数据中存在的形状推断您想要的形状。当NumPy对行索引和列索引对执行此操作时，它会尝试按元素对它们进行配对

因此，在NumPy选择的约定下，

A[[1,3]，[1,3]]

被解释为“在索引（1,1）和索引（3,3）处为我获取

A

的值”，这与MATLAB、倍频程或R中相同语法的约定不同

如果您想在不使用

np.ix_uuu

的情况下手动绕过此问题，您仍然可以，但您必须写下索引以利用NumPy的广播规则。这意味着你必须给NumPy一个理由，让它相信你想要一个2x2的索引网格，而不是两个特定点的1x2列表

您可以通过将您的行条目设置为列表本身来欺骗它：

rows=[[1]，[3]]

。现在，当NumPy检查这个形状（1 x 2而不是1 x nothing）时，它会说，‘啊哈，列最好也是1 x 2’，并自动提升列列表，以分别与每个可能的行匹配。这就是为什么这也会起作用：

A[[[1], [3]], [1, 3]] = B

对于问题的第二部分，问题是您想让NumPy知道您的

[False，True，False，True]

数组是一个布尔数组，不应隐式转换为任何其他类型的数组

这可以通过多种方式完成，但一种简单的方法是构造布尔值的

np.array

，其

dtype

将是

bool

：

indxs = np.array([False, True, False, True])
print A[:, indxs][indxs] # remember, this one is read only

A[np.ix_(indxs, indxs)] = B

另一个有用的NumPy便利工具是

np.s\uucode>，它不是函数（它是
NumPy.lib.index\u tricks.IndexExpression
的一个实例），但可以像函数一样使用

np.s
允许您使用元素获取语法（在Python中称为getitem语法，在任何新样式的类实例都将具有的
\uuuuuuuu getitem\uuuu
方法之后）。举例来说：

In [60]: np.s_[[1,3], [1,3]]
Out[60]: ([1, 3], [1, 3])

In [61]: np.s_[np.ix_([1,3], [1,3])]
Out[61]: 
(array([[1],
       [3]]), array([[1, 3]]))

In [62]: np.s_[:, [1,3]]
Out[62]: (slice(None, None, None), [1, 3])

In [63]: np.s_[:, :]
Out[63]: (slice(None, None, None), slice(None, None, None))

In [64]: np.s_[-1:1:-2, :]
Out[64]: (slice(-1, 1, -2), slice(None, None, None))

因此，
np.s
基本上只是镜像回切片索引对象的外观，如果您将其放在方括号内以访问某些数组的数据

特别是，前两个
np.s_uuu
示例向您展示了普通
A[[1,3]，[1,3]]
和
np.ix_uu（[1,3]，[1,3]）的使用之间的区别
以及它们是如何产生不同的部分的。
你能详细解释一下第二个问题的答案吗？我只是在这一部分增加了一点。您还应该使用一些数组的
dtype
属性来了解NumPy认为这些类型是什么。在使用它一段时间后，您将直观地知道NumPy何时何地代表您尝试将值转换为新类型，例如它试图将
[False，True，False，True]的普通
列表
视为整数（如果可以的话），但如果它们位于
ndarray
中，且
dtype
设置为
bool
，则它们将保留为
bool
值。非常感谢！这就是我想要的。