Python 取锯齿状薄片的简写法

我经常做一个手术，我称之为“锯齿形切片”，因为我不知道它的真实名称。最好用例子来解释：

a = np.random.randn(50, 10)
entries_of_interest = np.random.randint(10, size = 50)  # Vector of 50 indices between 0 and 9
# Now I want the values contained in each row of a at the corresponding index in "entries of interest"
jagged_slice_of_a = a[np.arange(a.shape[0]), entries_of_interest]
# jagged_slice_of_a is now a vector with 50 elements.  Good.

唯一的问题是这样做有点麻烦。

a[np.arange（a.shape[0]），感兴趣的条目]

index（仅仅为了这个就必须构造“np.arange（a.shape[0]）。我想要类似于

：

操作符的东西，但是

：

做了其他的事情。有没有更简洁的方法来做这个操作

最佳答案：

---

不，没有比这更好的办法了。如果需要，您可以为此创建一个帮助函数。

a的

锯齿片中的元素是
a[：，感兴趣的条目]的对角元素。

因此，一种稍微不那么麻烦的方法是使用提取它们

jagged_slice_of_a = a[:, entries_of_interest].diagonal()

我认为你目前的方法可能是最好的方法

您也可以用于这种选择。这在语法上更清晰，但要想正确理解就更难了，而且可能更有限。此方法的等效值为：

entries_of_interest.choose(a.T)

这是combersome，只是因为它需要更多的打字来完成一项对你来说似乎很简单的任务

a[np.arange(a.shape[0]), entries_of_interest]

但正如您所注意到的，语法上更简单的
a[：，感兴趣的条目]
在
numpy
中有另一种解释。选择数组列的子集比从每行中选择一个（随机）项更常见

你的案子只是一个特殊的例子

a[I, J]

其中
I
和
J
是相同形状的两个数组。在一般情况下，感兴趣的
条目可以小于
a.shape[0]
（并非所有行），或者更大（某些行中的几个项目），甚至可以是2d。它甚至可以重复选择某些元素

我在其他SO问题中发现，当应用于
a.flat
时，执行此类元素选择会更快。但这需要一些数学来构造
I*n+J
类平面索引

凭借你对
J
的专业知识，构建
I
似乎是额外的工作，但
numpy
不能做出这种假设。如果这种选择比较常见，那么有人可以编写一个函数来包装您的表达式

def  peter_selection(a,I):
   # check the a.shape[0]==I.shape[0]
   return a[np.arange(a.shape[0]), I]

啊。不错，但它似乎是以为中间步骤构建巨大阵列为代价的。或者它只是一个视图？啊，你是对的-它确实创建了中间数组而不仅仅是一个视图，因此这种方法不是特别有效。我们在另一个so问题中发现，
choose
限制为32项，即
a.t.shape[0]
不能大于32项。e、 g.
N=32；np.arange（N）.choose（np.arange（N*N）.重塑（N，N））
Ah，我意识到
choose
有一些限制，但记不清它们是什么（我不经常使用）。我想这是因为
choose
是使用多维迭代器实现的，该迭代器限制了数组的维数。我以前没有注意到这一点，但是
choose
doc末尾有一个注释说，实际上，这个函数的使用是有效的，但这被认为是一种滥用<代码>选择
应该是一个序列，一个列表或元组，我也没有注意到其中的微妙之处。我猜
choose
主要用于简化小型数组上的多维奇特索引，或者用于需要使用
模式
kwarg修改索引/选择的情况。直截了当的花式索引仍然是像OP这样的案例的最佳解决方案。我认为它足够短，不需要在Ipython会话中测试就可以通过。：）