np.delete 和 np.s_。 np_s 有啥特别之处？

Posted 2023-02-23

【中文标题】np.delete 和 np.s_。 np_s 有啥特别之处？

【英文标题】：np.delete and np.s_. What's so special about np_s?np.delete 和 np.s_。 np_s 有什么特别之处？

【发布时间】：2015-12-17 10:00:53

【问题描述】：

我真的不明白为什么常规索引不能用于 np.delete。是什么让 np.s_ 如此特别？

例如用这段代码，用来删除这个数组的一些行..

inlet_names = np.delete(inlet_names, np.s_[1:9], axis = 0)

为什么我不能简单地使用常规索引并做......

inlet_names = np.delete(inlet_names, [1:9], axis = 0)

或

inlet_names = np.delete(inlet_names, inlet_names[1:9], axis = 0)

据我所知，np.s_ 与 np.index_exp 相同，只是它不返回元组，但两者都可以在 Python 代码中的任何地方使用。

然后，当我查看 np.delete 函数时，它表明您可以使用 [1,2,3] 之类的东西来删除整个数组中的那些特定索引。那么是什么阻止我使用类似的方法从数组中删除某些行或列？

我只是假设这种类型的索引在 np.delete 中被读取为其他内容，因此您需要使用 np.s_ 来指定，但我无法深入了解它到底是什么读它是因为当我尝试第二段代码时，它只是返回“无效语法”。这很奇怪，因为这段代码有效......

inlet_names = np.delete(inlet_names, [1,2,3,4,5,6,7,8,9], axis = 0)   

所以我想答案可能是 np.delete 只接受您要删除的索引列表。并且 np._s 返回您为切片指定的索引列表。

只是可以对我刚才所说的关于可能错误的功能进行一些澄清和更正，因为其中很多只是我的看法，这些文件并没有准确解释我试图理解的所有内容。我想我只是想多了，但如果有人能解释一下，我想真正理解它。

【参考方案1】：

np.delete 没有做任何独特或特殊的事情。它只是返回原始数组的副本，其中缺少一些项目。大多数代码只是解释输入以准备制作此副本。

你问的是obj参数

obj : 切片、整数或整数数组

简单来说，np.s_ 允许您使用熟悉的: 语法提供切片。 x:y 表示法不能用作函数参数。

让我们试试你的替代方案（你在结果和错误中提到了这些，但它们隐藏在文本中）：

In [213]: x=np.arange(10)*2   # some distinctive values

In [214]: np.delete(x, np.s_[3:6])
Out[214]: array([ 0,  2,  4, 12, 14, 16, 18])

所以delete 和s_ 删除了一系列值，即6 8 10，第3 到第5 个值。

In [215]: np.delete(x, [3:6])
  File "<ipython-input-215-0a5bf5cc05ba>", line 1
    np.delete(x, [3:6])
                   ^
SyntaxError: invalid syntax

为什么会出错？因为[3:4] 是一个索引表达式。 np.delete 是一个函数。即使s_[[3:4]] 也有问题。 np.delete(x, 3:6) 也很糟糕，因为 Python 仅在索引上下文中接受 : 语法，它会自动将其转换为 slice 对象。请注意，这是 syntax error，解释器在进行任何计算或函数调用之前捕获的内容。

In [216]: np.delete(x, slice(3,6))
Out[216]: array([ 0,  2,  4, 12, 14, 16, 18])

slice 代替 s_ 起作用；事实上这就是s_ 产生的结果

In [233]: np.delete(x, [3,4,5])
Out[233]: array([ 0,  2,  4, 12, 14, 16, 18])

列表也可以，但它的工作方式不同（见下文）。

In [217]: np.delete(x, x[3:6])
Out[217]: array([ 0,  2,  4,  6,  8, 10, 14, 18])

这可行，但产生的结果不同，因为x[3:6] 与range(3,6) 不同。 np.delete 也不能像 list 删除一样工作。它按索引删除，而不是按匹配值删除。

np.index_exp 失败的原因与np.delete(x, (slice(3,6),)) 相同。 1、[1]、(1,) 均有效并删除一项。甚至'1'，字符串，也有效。 delete 解析这个参数，并且在这个级别，期望一些可以变成整数的东西。 obj.astype(intp)。 (slice(None),) 不是切片，它是一个 1 项元组。所以它在delete 代码中的不同位置处理。这是由delete 调用的东西产生的TypeError，与SyntaxError 非常不同。理论上delete 可以从元组中提取切片并按照s_ 的情况进行处理，但开发人员没有选择考虑这种变化。

对代码的快速研究表明，np.delete 使用 2 种不同的复制方法 - 通过切片和布尔掩码。如果obj 是一个切片，就像我们的示例一样，它确实是（对于一维数组）：

out = np.empty(7)
out[0:3] = x[0:3]
out[3:7] = x[6:10]

但是使用[3,4,5]（而不是切片）它可以：

keep = np.ones((10,), dtype=bool)
keep[[3,4,5]] = False
return x[keep]

结果相同，但构造方法不同。 x[np.array([1,1,1,0,0,0,1,1,1,1],bool)] 做同样的事情。

事实上，像这样的布尔索引或屏蔽比np.delete 更常见，而且通常同样强大。

---

来自lib/index_tricks.py 源文件：

index_exp = IndexExpression(maketuple=True)
s_ = IndexExpression(maketuple=False)

它们是同一事物的略微不同的版本。两者都只是便利功能。

In [196]: np.s_[1:4]
Out[196]: slice(1, 4, None)
In [197]: np.index_exp[1:4]
Out[197]: (slice(1, 4, None),)
In [198]: np.s_[1:4, 5:10]
Out[198]: (slice(1, 4, None), slice(5, 10, None))
In [199]: np.index_exp[1:4, 5:10]
Out[199]: (slice(1, 4, None), slice(5, 10, None))

maketuple 业务仅适用于单个项目、切片或索引。