如何使用numpy数组的引用坐标处理奇怪的索引行为？
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了如何使用numpy数组的引用坐标处理奇怪的索引行为？相关的知识，希望对你有一定的参考价值。
作为一个更大的项目的一部分，我正在生成一堆不同大小的不同坐标列表，当我尝试使用这些坐标列表作为数组的索引时，我发现了一些奇怪的行为。这些坐标列表是在程序中生成的，所以我不知道它们会有多长。请参阅下面的示例：
t = np.zeros((5,5))
coord = [[2,3], [1,2]]
t[coord] = 30
print(t)
输出：
[[ 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0.]
[ 0. 30. 0. 0. 0.]
[ 0. 0. 30. 0. 0.]
[ 0. 0. 0. 0. 0.]]
但是如果列表只有一点：
t = np.zeros((5,5))
coord = [[2,3]]
t[coord] = 30
print(t)
输出：
[[ 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0.]
[30. 30. 30. 30. 30.]
[30. 30. 30. 30. 30.]
[ 0. 0. 0. 0. 0.]]
然后，如果我将列表转换为numpy数组，它会进一步分解：
t = np.zeros((5,5))
coord = np.array([[2,3], [1,2]])
t[coord] = 30
print(t)
输出：
[[ 0. 0. 0. 0. 0.]
[30. 30. 30. 30. 30.]
[30. 30. 30. 30. 30.]
[30. 30. 30. 30. 30.]
[ 0. 0. 0. 0. 0.]]
我如何处理这个，所以我总是得到第一个输出，即使只有一个元素，它是一个numpy数组？
谢谢！
编辑：
我的代码中正在发生的事情是程序返回一个点数组：
array([[ 9, 5, 0],
[ 4, 2, 2],
[11, 4, 2],
[ 5, 7, 2],
[11, 12, 2],
[12, 9, 0],
[ 5, 4, 7],
[ 3, 2, 1],
...
然后我想用它来改变更大的14 * 14 * 9矩阵中的这些坐标点。 big_matrix [coord] = 0
EDIT2：基于@hpaulj的评论
以下是完整规模问题的示例：
coord = np.array([[ 4, 7, 0],
[ 9, 6, 1],
[ 8, 2, 0],
[ 8, 7, 6],
[ 3, 10, 4],
[ 6, 4, 3],
[10, 10, 3],
[ 3, 2, 1]], dtype='int32')
matrix[coord]
收益：
array([[[[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
...,
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.]],
索引赋值可以模糊一些细节，我认为getitem等价物更清晰。
In [88]: arr = np.arange(25).reshape(5,5)
In [89]: arr
Out[89]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])
In [90]: coord = [[2,3],[1,2]]
In [91]: arr[coord]
FutureWarning: Using a non-tuple sequence for multidimensional indexing
is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the
future this will be interpreted as an array index, `arr[np.array(seq)]`,
which will result either in an error or a different result.
Out[91]: array([11, 17])
正确索引一对点，对第一轴应用[2,3]，对第二轴应用[1,2]：
In [92]: coord = ([2,3],[1,2])
In [93]: arr[coord]
Out[93]: array([11, 17])
In [94]: arr[[2,3], [1,2]]
Out[94]: array([11, 17])
历史上numpy有点草率，并解释了列表列表，如列表元组（在某些情况下）。较新的版本试图消除这种不一致。
In [95]: coord = [[2,3]]
In [96]: arr[coord]
FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
Out[96]:
array([[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
In [97]: coord = ([2,3],) # clearer - pick 2 rows, e.g. arr[[2,3],:]
In [98]: arr[coord]
Out[98]:
array([[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
In [99]: arr[2,3] # pick one point
Out[99]: 13
In [100]: coord = (2,3)
In [101]: arr[coord]
Out[101]: 13
有了这个数组，没有一个令人困惑的元组列表：
In [102]: coord = np.array([[2,3], [1,2]])
In [103]: arr[coord]
Out[103]:
array([[[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]]])
这会选择一个（2,2）块行。你的arr[coord]=30模糊了这种模式，因为行选择中有重复（并且赋值被缓冲）。 （对于无缓冲的分配，测试np.add.at(t,coord,30)）。
如果我们明确告诉它coord适用于第一维，我们采用相同的索引数组样式：
In [111]: coord = [[2,3],[1,2]]
In [112]: arr[coord,:]
Out[112]:
array([[[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]]])
如果我将最后一个[coord,]与1个元素列表一起使用，请注意形状上的差异：
In [117]: coord = [[2,3]]
In [118]: arr[coord,]
Out[118]:
array([[[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]]])
In [119]: _.shape
Out[119]: (1, 2, 5)
因此，如果您希望每个元素应用于不同的维度，请将coord设为元组而不是列表。或者如果您希望将数组应用于一个维度，则使用数组，或者使用[coord,:]作为符号显式使用数组。
如果您使用此数组，将其转置，并将其拆分为元组，您将获得2维的索引数组：
In [120]: coord = np.array([[2,3],[1,2]])
In [121]: coord
Out[121]:
array([[2, 3],
[1, 2]])
In [123]: tuple(coord.T)
Out[123]: (array([2, 1]), array([3, 2]))
In [124]: arr[tuple(coord.T)]
Out[124]: array([13, 7])
并有4分：
In [125]: coord = np.array([[2,3],[1,2],[0,0],[3,4]])
In [126]: arr[tuple(coord.T)]
Out[126]: array([13, 7, 0, 19])
我不知道这是否有帮助，但np.where经常用于选择数组中的点：
条件 - 4的倍数：
In [135]: arr%4==0
Out[135]:
array([[ True, False, False, False, True],
[False, False, False, True, False],
[False, False, True, False, False],
[False, True, False, False, False],
[ True, False, False, False, True]])
这些点的索引 - 每个维度都有一个数组的元组。这可以直接用作索引：
In [136]: np.where(arr%4==0)
Out[136]: (array([0, 0, 1, 2, 3, 4, 4]), array([0, 4, 3, 2, 1, 0, 4]))
In [137]: arr[_]
Out[137]: array([ 0, 4, 8, 12, 16, 20, 24])
argwhere将np.transpose应用于该元组，制作一个（n，2）数组：
In [138]: np.argwhere(arr%4==0)
Out[138]:
array([[0, 0],
[0, 4],
[1, 3],
[2, 2],
[3, 1],
[4, 0],
[4, 4]])
这些是各个元素的坐标，但它们不能直接用作索引，迭代除外：
In [144]: [arr[i,j] for i,j in np.argwhere(arr%4==0)]
Out[144]: [0, 4, 8, 12, 16, 20, 24]
我认为你在这个argwhere风格中生成坐标，但你真的需要它们在where风格 - 作为数组的元组。
以上是关于如何使用numpy数组的引用坐标处理奇怪的索引行为？的主要内容，如果未能解决你的问题，请参考以下文章