Jak mogę uzyskać elementy z macierzy 3D przy użyciu określonych indeksów w numpy?
- Mam matrycę 3D, w poniższym przykładzie jest to matryca (5, 4, 2):
data_matrix
- Mam inną tablicę indeksów w kształcie (5, 4), gdzie każdy wiersz tablicy reprezentuje lokalizację elementu:
indx_array
Nie wiem, jak mogę uzyskać required_output
. Próbuję ułożyć (1,2) elementy każdego wiersza w oparciu oindx_array
Nie chcę używać do pętli!
data_matrix = np.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, 25], [26, 27], [28, 29], [30, 31]],
[[32, 33], [34, 35], [36, 37], [38, 39]]
])
indx_array = np.array([[3,2,1,0], [0,1,2,3], [1,0,3,2], [0,3,1,2], [1,2,3,0]])
# I want following result:
required_output = [
[[6, 7], [4, 5], [2, 3], [0, 1]]
[[8, 9], [10, 11], [12, 13], [14, 15]]
[[18, 19], [16, 17], [22, 23], [20, 21]]
[[24, 25], [30, 31], [26, 27], [28, 29]]
[[34, 35], [36, 37], [38, 39], [32, 33]]
]
EDYCJA: Zaktualizowano, indx_array
aby lepiej zilustrować sytuację.
Odpowiedzi
- Numpy: indeksowanie
- Numpy: indeksowanie tablic wielowymiarowych
In [637]: data_matrix.shape
Out[637]: (5, 4, 2)
In [638]: indx_array.shape
Out[638]: (5, 4)
Potrzebujesz zaawansowanego indeksowania w pierwszych dwóch wymiarach. Tablica pierwszego wymiaru musi transmitować z drugim (5,4). Aby to zrobić, robię (5,1) arange
:
In [639]: data_matrix[np.arange(5)[:,None], indx_array]
Out[639]:
array([[[ 6, 7],
[ 4, 5],
[ 2, 3],
[ 0, 1]],
[[ 8, 9],
[10, 11],
[12, 13],
[14, 15]],
[[18, 19],
[16, 17],
[22, 23],
[20, 21]],
[[24, 25],
[30, 31],
[26, 27],
[28, 29]],
[[34, 35],
[36, 37],
[38, 39],
[32, 33]]])
Porównaj mój (5,1) indeks z zaakceptowanym _x
(który jest (5,4) nierówny):
In [640]: np.arange(5)[:,None]
Out[640]:
array([[0],
[1],
[2],
[3],
[4]])
In [641]: _x = np.repeat(np.arange(indx_array.shape[0]),indx_array.shape[1])
In [643]: _x
Out[643]: array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4])
Przy nadawaniu _x
nie trzeba powtarzać, (5,4); (5,1) wystarczy.
Nadawanie odbywa się wirtualnie. Można to zilustrować broadcast_to
funkcją:
In [648]: np.broadcast_to(np.arange(5)[:,None],(5,4))
Out[648]:
array([[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3],
[4, 4, 4, 4]])
In [649]: _.strides
Out[649]: (8, 0)
To ten 0
krok, który się powtarza bez robienia kopii. as_strided
jest najbardziej użyteczną stride_tricks
funkcją, szczególnie podczas wykonywania takich czynności jak przesuwanie okien. Zwykle po prostu pozwalamy automatycznemu nadawaniu, nie martwiąc się zbytnio o to, jak.
Można to zrobić z odrobiną obsługi tablicy indeksów.
import numpy as np
_x = np.repeat(np.arange(indx_array.shape[0]),indx_array.shape[1])
_y = indx_array.ravel()
output = data_matrix[_x, _y].reshape(data_matrix.shape)
co skutkuje oczekiwaną tablicą numpy
array([[[ 6, 7],
[ 4, 5],
[ 2, 3],
[ 0, 1]],
[[ 8, 9],
[10, 11],
[12, 13],
[14, 15]],
[[18, 19],
[16, 17],
[22, 23],
[20, 21]],
[[24, 25],
[30, 31],
[26, 27],
[28, 29]],
[[34, 35],
[36, 37],
[38, 39],
[32, 33]]])