Отфильтрованный массив Numpy меняет число измерений

Question

Мне сложно привыкнуть к массивам Numpy (я пользователь Matlab).Когда я пытаюсь выбрать только диапазон значений из массива, я вижу, что результирующий массив имеет дополнительное измерение:

    ioi = np.nonzero((self.data_array[0,:] >= range_start) & (self.data_array[0,:] <= range_end))

    print("self.data_array.shape = {0}".format(self.data_array.shape))
    print("self.data_array.shape[:,ioi] = {0}".format(self.data_array[:,ioi].shape))

Результат:

self.data_array.shape = (5, 50000)
self.data_array.shape[:,ioi] = (5, 1, 408)

Я также вижу, чтоIOI это кортеж.Я не знаю, имеет ли это какое-либо отношение к этому.

Что здесь происходит, чтобы создать это дополнительное измерение, и что я должен сделать, самым прямым образом, чтобы получить форму массива (5,408)в этом случае?

Answer 1

Самым простым и эффективным способом было бы избавиться от вызова np.nonzero и использовать логическую индексацию так же, как в Matlab.Вот пример.(Я использую случайные данные той же формы, к вашему сведению.)

>>> data = np.random.randn(5, 5000)
>>> start, end = -0.5, 0.5
>>> ioi = (data[0] > start) & (data[0] < end)
>>> print(ioi.shape)
(5000,)
>>> print(ioi.sum())
1900
>>> print(data[:, ioi].shape)
(5, 1900)

Вызов np.nonzero обычно не требуется.Как и функция Matlab find, она медленнее по сравнению с логическим индексированием, и обычно цель может быть более эффективно достигнута с помощью логического индексирования.np.nonzero, так же как и find, следует в основном использовать только тогда, когда вам нужны сами фактические значения индекса.

Как вы и предполагали, причина дополнительных измерений заключается в том, что кортежи обрабатываются не так, как другие типыиндексирование массивов в NumPy.Это позволяет более гибко индексировать, например, с помощью slice s, эллипсов и т. Д. Подробное объяснение см. на этой полезной странице , особенно в последнем разделе.

как минимум два других варианта решения проблемы.Одним из них является использование массива ioi, возвращаемого из np.nonzero, непосредственно в качестве индекса only для массива данных.Как в: self.data_array[ioi].Часть того, почему у вас есть дополнительное измерение, состоит в том, что у вас на самом деле есть два набора индексов в вашем вызове: срез (:) и кортеж ioi.np.nonzero гарантированно вернет кортеж именно по этой причине, так что его вывод всегда можно будет использовать для прямого индексирования исходного массива.

Последний вариант - вызвать np.squeeze для возвращаемого массива, ноЯ бы выбрал один из вышеперечисленных в первую очередь.