圆形numpy数组索引

Posted 2023-02-23

【中文标题】圆形numpy数组索引

【英文标题】：circular numpy array indices

【发布时间】：2015-04-08 12:15:30

【问题描述】：

我有一个一维 numpy 数组 a = [1,2,3,4,5,6] 和一个函数，它获取两个输入 starting_index 和 ending_index，并返回 a[staring_index:ending_index]。

很明显，当ending_index 小于starting_index 时，我遇到了麻烦。在这种情况下，函数应该从starting_index开始并以循环方式遍历向量a，即返回starting_index之后的所有元素加上索引0到ending_index的所有元素。

例如，如果starting_index=4 和ending_index=1 则输出应为output = [5,6,1]。我可以使用if 条件来实现它，但我想知道是否有任何 Pythonic 和简洁的方法来实现它？

【问题讨论】：

这似乎相关：scimusing.wordpress.com/2013/10/25/ring-buffers-in-pythonnumpy

【参考方案1】：

np.take 有一个wrap 模式：

In [171]: np.take(np.arange(1,7),range(4,7),mode='wrap')
Out[171]: array([5, 6, 1])

这不是你想要的。

实际上，模数也是如此

In [177]: a[np.array([4,5,6])%6]
Out[177]: array([5, 6, 1])

但是，如果你更喜欢 [4, 5, 0] 或者你更喜欢 [4, 5, 0] 的小函数呢？

def foo(a, start, stop): 
    # fn to convert your start stop to a wrapped range
    if stop<=start:
        stop += len(a)
    return np.arange(start, stop)%len(a)

a[foo(a,4,1)]  # or
np.take(a,foo(a,4,1))

【讨论】：

不应该在方法 foo 的返回语句中取模以使其工作吗？

【参考方案2】：

这个循环永远。

def circular_indices(lb, ub, thresh):
    indices = []
    while True:
        stop = min(ub, thresh)
        ix = np.arange(lb, stop)
        indices.append(ix)
        if stop != ub:
            diff = ub - stop
            lb = 0
            ub = diff
        else:
            break

    return np.concatenate(indices)

【参考方案3】：

您可以使用的替代方法是结合索引的 numpy roll 函数：

# -*- coding: utf-8 -*-
import numpy as np

def circular_array(starting_index, ending_index):

    idx = np.arange(1,7)
    idx = np.roll(idx, -starting_index)[:(len(idx)-starting_index+ending_index)%len(idx)]

    return idx


a = circular_array(4, 1)
print a

【参考方案4】：

很遗憾，您无法通过切片来执行此操作，您需要连接到两个片段：

import numpy as np

a = [1, 2, 3, 4, 5, 6]
if starting_index > ending_index:
    part1 = a[start_index:]
    part2 = a[:end_index]
    result = np.concatenate([part1, part2])
else:
    result = a[start_index:end_index]

【讨论】：

目前我正在做这样的事情。谢谢。但是，不能与 numpy 一起使用，你能解释更多关于切片的信息吗？我认为它可以与列表一起使用？

Numpy 索引和切片被描述为here 还有一个更一般的切片讨论here。

我可以确认这比使用 np.roll 更快，尤其是对于较小 (