Python 无法使用三维遮罩和索引将值指定给numpy数组

我有一个3D阵列，它是一个遮罩。此外，我还有一些索引，用于编码某些值应该保存的位置（数组位置）

除了将值分配到所需位置后，输出矩阵仍然为空之外，一切似乎都正常工作

我看不出我在这里遗漏了什么。我也试过numpy.put，但运气不好

import numpy as np

# Initialize output matrix (here the results will be stored)
results = np.zeros((67, 67, 45))

# define the mask - where to put the calculated values in the results array
mask = np.random.randint(2, size=(67, 67, 45)).astype(bool)

# store the results only in these positions
index_keep = range(0, 13732)

values = np.ones((13732,))

results[mask][index_keep] = values.copy()

# the results array is still empty
print(results.sum())
#0

---

使用布尔掩码对数组进行索引时，将提取元素并将其放置到一维数组中。这几乎是必须的，因为蒙版的选定元素在任何维度内都不是均匀地分布在整个屏幕上。表达式

results[mask]=value

相当于

results.\uuuuu setitem\uuuuu（mask，value）

：显然是对

result

的就地修改。但是，

results[mask][index\u keep]=value

相当于

result.\uuuuuu getitem\uuuuuuuuuuu（mask）。\uuuuu setitem\uuuuuuuuuuuuuu（index\u keep，value）

。就地操作发生在完全丢弃的临时阵列上

解决方案是使用索引来获得对所需对象的

\uuuuu setitem\uuuu

的单个调用。一种方法是将

index\u keep

应用于

mask

。首先必须将

掩码

转换为线性索引，例如：

只要返回一个视图（在大多数情况下应该是这样的），这就可以工作。如果

result

是一个连续数组，则该操作将一直有效。如果

result

已经是一个较大数组的子集，则它将不起作用

这种方法的优点是，它只使用一个索引数组，并且适用于任意数量的维度。使用

np.where

也可以进行调整，但需要更多的临时存储。缺点当然是这种方法仅限于连续数组

---

另外，您几乎肯定不需要复制

值。它的元素不会被修改，分配将已经将副本复制到
result
的适当位置。制作副本只会创建一个不必要的临时数组，该数组将立即被丢弃。
您可以在
掩码上使用
numpy.where
，这将允许您查看要索引的
结果

x, y, z = np.where(mask)

results[x[index_keep], y[index_keep], z[index_keep]] = values

results[mask][index\u keep]
是数组的一个副本，这就是为什么您在
result
中没有看到任何更改的原因真的吗？在其他情况下，
results[mask]=values.copy（）
对我有效，但是，
results[mask][index\u keep]=values.copy（）
失败。那我怎么做呢？太棒了。非常感谢。我接受答案。我知道我返回的副本，但找不到使用这些双索引方法来分配我的值的方法，
ravel
主要返回一个视图（：@piRSquared.Yep。它尽最大努力获取指向缓冲区的指针，并适当设置步幅。不过，我不确定它对切片的影响有多大。例如，
np.arange（12）。重塑（4，3）[：，：：2]。ravel（）
不能是视图，但
np.arange（12）。重塑（3，4）[：，：：2]
可以。我只是不确定它是否会。据我所知，
ravel
保证了一个连续的结果，因此它只会在数组开始时是连续的情况下给你一个视图。你可以始终检查
arr.ravel（）。base是None
vs
arr.ravel（）.base是arr
，用于副本与视图。就答案而言，一个关键组件是布尔索引数组总是触发奇特的索引，从而创建副本。例如，如果第一次订阅使用了切片，则双索引分配会起作用。这对其他读者来说可能不明显。（cc@piRSquared）@我对另一个答案的最后一点评论有帮助吗？对于一个简单的应用程序，这实际上是一种更易于维护和易读的方法
x, y, z = np.where(mask)

results[x[index_keep], y[index_keep], z[index_keep]] = values