Вот как numpy использует расширенное индексирование для трансляции форм массива. Когда вы передаете 0 для первого индекса и y для последнего индекса, numpy будет транслировать 0, чтобы иметь ту же форму, что и y. Имеет место следующая эквивалентность: x[0,:,:,y] == x[(0, 0, 0),:,:,y]. Вот пример
import numpy as np
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
np.equal(x[0,:,:,y], x[(0, 0, 0),:,:,y]).all()
# returns:
True
Теперь, поскольку вы фактически передаете два набора индексов, вы используете API расширенного индексирования для формирования (в данном случае) пар индексов.
x[(0, 0, 0),:,:,y])
# equivalent to
[
x[0,:,:,y[0]],
x[0,:,:,y[1]],
x[0,:,:,y[2]]
]
# equivalent to
rows = np.array([0, 0, 0])
cols = y
x[rows,:,:,cols]
# equivalent to
[
x[r,:,:,c] for r, c in zip(rows, columns)
]
Имеет первое измерение, равное длине y. Это то, что вы видите.
В качестве примера рассмотрим массив с 4 измерениями, которые описаны в следующем фрагменте:
x = np.arange(120).reshape(2,3,4,5)
y = np.array([0,2,4])
# x looks like:
array([[[[ 0, 1, 2, 3, 4], -+ =+
[ 5, 6, 7, 8, 9], Sheet1 |
[ 10, 11, 12, 13, 14], | |
[ 15, 16, 17, 18, 19]], -+ |
Workbook1
[[ 20, 21, 22, 23, 24], -+ |
[ 25, 26, 27, 28, 29], Sheet2 |
[ 30, 31, 32, 33, 34], | |
[ 35, 36, 37, 38, 39]], -+ |
|
[[ 40, 41, 42, 43, 44], -+ |
[ 45, 46, 47, 48, 49], Sheet3 |
[ 50, 51, 52, 53, 54], | |
[ 55, 56, 57, 58, 59]]], -+ =+
[[[ 60, 61, 62, 63, 64],
[ 65, 66, 67, 68, 69],
[ 70, 71, 72, 73, 74],
[ 75, 76, 77, 78, 79]],
[[ 80, 81, 82, 83, 84],
[ 85, 86, 87, 88, 89],
[ 90, 91, 92, 93, 94],
[ 95, 96, 97, 98, 99]],
[[100, 101, 102, 103, 104],
[105, 106, 107, 108, 109],
[110, 111, 112, 113, 114],
[115, 116, 117, 118, 119]]]])
x имеет действительно простую для понимания последовательную форму, которую мы теперь можем использовать чтобы показать, что происходит ...
Первое измерение похоже на наличие двух книг Excel, второе измерение - на 3 листа в каждой книге, третье измерение - на 4 строки на лист, а последнее размерность равна 5 значениям для каждой строки (или столбцов на листе).
Если посмотреть на это так, запросить x[0,:,:,0], это поговорка: «в первой книге, для каждого листа, для каждой строки, дайте мне первое значение / столбец. "
x[0,:,:,y[0]]
# returns:
array([[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]])
# this is in the same as the first element in:
x[(0,0,0),:,:,y]
Но теперь с расширенным индексированием мы можем думать о x[(0,0,0),:,:,y] как "в первой книге, для каждого листа, для каждой строки, дайте мне y th значение / столбец. Хорошо, Теперь сделайте это для каждого значения y "
x[(0,0,0),:,:,y]
# returns:
array([[[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]],
[[ 2, 7, 12, 17],
[22, 27, 32, 37],
[42, 47, 52, 57]],
[[ 4, 9, 14, 19],
[24, 29, 34, 39],
[44, 49, 54, 59]]])
. Когда он сходит с ума, то numpy будет транслироваться, чтобы соответствовать внешним измерениям индексного массива. Поэтому, если вы хотите выполнить ту же операцию, что и выше, но для ОБА «книг Excel», вам не нужно l oop и объединять. Вы можете просто передать массив в первое измерение, но он ДОЛЖЕН иметь совместимую форму.
Передача целого числа транслируется в y.shape == (3,). Если вы хотите передать массив в качестве первого индекса, только последнее измерение массива должно быть совместимо с y.shape. Т.е. последнее измерение первого индекса должно быть либо 3, либо 1.
ix = np.array([[0], [1]])
x[ix,:,:,y].shape
# each row of ix is broadcast to length 3:
(2, 3, 3, 4)
ix = np.array([[0,0,0], [1,1,1]])
x[ix,:,:,y].shape
# this is identical to above:
(2, 3, 3, 4)
ix = np.array([[0], [1], [0], [1], [0]])
x[ix,:,:,y].shape
# ix is broadcast so each row of ix has 3 columns, the length of y
(5, 3, 3, 4)
В документах найдено краткое объяснение: https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html#combining -advanced-and-basi c -индексирование
Редактировать:
Исходя из исходного вопроса, чтобы получить одну строчку желаемого сублицензии, вы можете использовать x[0][:,:,y]:
x[0][:,:,y].shape
# returns
(2, 50, 3)
Однако, если вы пытаетесь назначить этим сублимам, вы должны быть очень осторожны, просматривая общий вид памяти исходного массива. В противном случае присваивание будет не исходному массиву, а копии.
Совместно используемая память возникает только тогда, когда вы используете целое число или фрагмент для подмножества вашего массива, то есть x[:,0:3,:,:] или x[0,:,:,1:-1].
np.shares_memory(x, x[0])
# returns:
True
np.shares_memory(x, x[:,:,:,y])
# returns:
False
И в вашем исходном вопросе, и в моем примере y не является ни int, ни слайсом, поэтому всегда будет назначать копию оригинала.
НО! Поскольку ваш массив для y может быть выражен в виде слайса, вы CAN фактически получаете назначаемое представление вашего массива с помощью:
x[0,:,:,0:21:10].shape
# returns:
(2, 50, 3)
np.shares_memory(x, x[0,:,:,0:21:10])
# returns:
True
# actually assigns to the original array
x[0,:,:,0:21:10] = 100
Здесь мы используем слайс 0:21:10 для захватить каждый индекс, который будет в range(0,21,10). Мы должны использовать 21, а не 20, потому что точка останова исключается из среза, точно так же, как в функции range.
Итак, в принципе, если вы можете создать срез, который соответствует вашему Сублицензируя критерии, вы можете сделать назначение.