numpy сокращение для взятия зубчатого среза
У меня есть операция, которую я делаю обычно, которую я называю «зубчатым срезом», потому что я не знаю настоящего имени. Это лучше всего объясняется примером:
a = np.random.randn(50, 10) entries_of_interest = np.random.randint(10, size = 50) # Vector of 50 indices between 0 and 9 # Now I want the values contained in each row of a at the corresponding index in "entries of interest" jagged_slice_of_a = a[np.arange(a.shape[0]), entries_of_interest] # jagged_slice_of_a is now a vector with 50 elements. Good. Единственная проблема – это немного громоздко сделать это: a[np.arange(a.shape[0]), entries_of_interest] индексирование (кажется, глупо создавать «np.arange (a.shape [0])» просто ради этого). Мне нужно что-то вроде оператора : для этого, но : делает что-то еще. Есть ли более сжатый способ сделать эту операцию?
- разбор URL-адреса в python с изменением его части
- массив numpy C api
- Имена динамических классов Python
- Функции sort () и reverse () не работают
- Как вы можете сделать предупреждение python 2.x при принуждении строк к unicode?
- Лучший способ для чтения новых строк с разделителями в Python и отбрасывания новых строк?
Лучший ответ:
Нет, нет лучшего способа с родным numpy. Вы можете создать вспомогательную функцию для этого, если хотите.
3 Solutions collect form web for “numpy сокращение для взятия зубчатого среза”
Я думаю, что ваш текущий метод, вероятно, лучший способ.
Вы также можете использовать choose для такого выбора. Это синтаксически яснее, но сложнее получить право и потенциально более ограничено. Эквивалентом этого метода будет:
entries_of_interest.choose(aT)
Элементами в jagged_slice_of_a являются диагональные элементы a[:,entries_of_interest]
Немного менее громоздкий способ сделать это будет поэтому использовать np.diagonal чтобы извлечь их.
jagged_slice_of_a = a[:, entries_of_interest].diagonal()
Это смехотворно только в том смысле, что для большей задачи, требующей большего набора текста, задача кажется вам такой простой.
a[np.arange(a.shape[0]), entries_of_interest]
Но, как вы заметили, синтаксически проще a[:, entries_of_interest] имеет другую интерпретацию в numpy . Выбор подмножества столбцов массива – более общая задача, которая выбирает один (случайный) элемент из каждой строки.
Ваш случай – это просто специализированный экземпляр
a[I, J]
где I и J – 2 массива одинаковой формы. В общем случае entries_of_interest может быть меньше, чем a.shape[0] (не все строки) или больше (несколько элементов из некоторых строк) или даже 2d. Он может даже несколько раз выбирать определенные элементы.
Я нашел в других вопросах SO, что выполнение такого рода выбора элементов происходит быстрее, когда применяется к a.flat . Но это требует некоторой математики для построения плоского индекса I*n+J
С твоим особым знанием J , J , I кажется, лишняя работа, но numpy не может сделать такого предположения. Если этот выбор был более распространенным, кто-то мог написать функцию, которая обертывает ваше выражение
def peter_selection(a,I): # check the a.shape[0]==I.shape[0] return a[np.arange(a.shape[0]), I]