Hiểu lạ boolean hành vi lập chỉ mục 2d-mảng trong NumPy

Question

Tại sao công việc này:

a=np.random.rand(10,20) 
x_range=np.arange(10) 
y_range=np.arange(20) 

a_tmp=a[x_range<5,:] 
b=a_tmp[:,np.in1d(y_range,[3,4,8])] 

và điều này không:

a=np.random.rand(10,20) 
x_range=np.arange(10) 
y_range=np.arange(20)  

b=a[x_range<5,np.in1d(y_range,[3,4,8])] 

Answer 1

Tài liệu tham chiếu của page on indexing NumPy chứa các câu trả lời, nhưng đòi hỏi một chút đọc cẩn thận.

Câu trả lời ở đây là việc lập chỉ mục với các phép toán tương đương với việc lập chỉ mục với các mảng số nguyên thu được bằng cách lần đầu tiên chuyển các mảng boolean bằng np.nonzero. Vì vậy, với mảng boolean m1, m2

a[m1, m2] == a[m1.nonzero(), m2.nonzero()] 

đó (khi nó thành công, tức là, m1.nonzero().shape == m2.nonzero().shape) tương đương với:

[a[i, i] for i in range(a.shape[0]) if m1[i] and m2[i]] 

Tôi không chắc chắn lý do tại sao nó được thiết kế để làm việc như thế này - - thông thường, đây là không phải những gì bạn muốn.

Để có được kết quả trực quan hơn, bạn thay vì có thể làm

a[np.ix_(m1, m2)] 

mà tạo ra một kết quả tương đương với

[[a[i,j] for j in range(a.shape[1]) if m2[j]] for i in range(a.shape[0]) if m1[i]] 

Answer 2

Một thay thế cho np.ix_ là để chuyển đổi các mảng boolean để nguyên mảng (sử dụng np.nonzero()), sau đó sử dụng np.newaxis để tạo các mảng có hình dạng phù hợp để tận dụng phát sóng.

import numpy as np 

a=np.random.rand(10,20) 
x_range=np.arange(10) 
y_range=np.arange(20) 

a_tmp=a[x_range<5,:] 
b_correct=a_tmp[:,np.in1d(y_range,[3,4,8])] 

m1=(x_range<5).nonzero()[0] 
m2=np.in1d(y_range,[3,4,8]).nonzero() 
b=a[m1[:,np.newaxis], m2] 
assert np.allclose(b,b_correct) 

b2=a[np.ix_(x_range<5,np.in1d(y_range,[3,4,8]))] 
assert np.allclose(b2,b_correct) 

np.ix_ có xu hướng chậm hơn lập chỉ mục kép. giải pháp Các dài hình thức dường như là nhanh hơn một chút:

dài dạng:

In [83]: %timeit a[(x_range<5).nonzero()[0][:,np.newaxis], (np.in1d(y_range,[3,4,8])).nonzero()[0]] 
10000 loops, best of 3: 131 us per loop 

đôi indexing:

In [85]: %timeit a[x_range<5,:][:,np.in1d(y_range,[3,4,8])] 
10000 loops, best of 3: 144 us per loop 

sử dụng np.ix_:

In [84]: %timeit a[np.ix_(x_range<5,np.in1d(y_range,[3,4,8]))] 
10000 loops, best of 3: 160 us per loop 

Lưu ý: Bạn nên kiểm tra những thời gian này trên máy của mình vì các thứ hạng có thể thay đổi tùy thuộc vào phiên bản Python, phần mềm hay phần cứng của bạn.