Я использую numpy и хочу проиндексировать строку без потери информации об измерении.
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10,:]
xslice.shape # >> (10,)
В этом примере xslice теперь имеет 1 измерение, но я хочу, чтобы оно было (1,10). В R я бы использовал X [10,:, drop = F]. Есть ли что-то подобное в numpy. Я не смог найти его в документации и не видел подобного вопроса.
Благодарность!
Ответы:
Вероятно, это проще всего сделать x[None, 10, :]или что-то подобное (но более читабельно) x[np.newaxis, 10, :].
Что касается того, почему это не по умолчанию, лично я считаю, что постоянное наличие массивов с одиночными размерами очень быстро раздражает. Думаю, глупые разработчики чувствовали то же самое.
Кроме того, numpy очень хорошо обрабатывает широковещательные массивы, поэтому обычно нет особых причин сохранять размерность массива, из которого был получен срез. Если да, то такие вещи, как:
a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b
либо не сработает, либо будет намного сложнее реализовать.
(Или, по крайней мере, это мое предположение о рассуждениях numpy dev об удалении информации о размерах при нарезке)
Nones рядом с тусклыми лампами, которые вы рубите.
b; так и должно быть b = np.zeros((100,10)).
X[10,None](используя ваш код в качестве примера).
np.matmul()или@ ). Просто обгорел от этого.
Другое решение - сделать
X[[10],:]
или
I = array([10])
X[I,:]
Размерность массива сохраняется, когда индексирование выполняется списком (или массивом) индексов. Это приятно, потому что оставляет вам выбор между сохранением размера и сжатием.
x = np.array([[1,2,3,4]]) если вы затем нарезать его с x[[0],[1,2]] вами получаем одномерное array([2, 3]) Мое мнение при выборе столбцов или строк векторов это лучше всего , чтобы сделать срез простой , а затем использовать np.reshape, Так что в моем примере это будетnp.reshape(x[0,[1,2]],[1,2])
X[[10]]будет интерпретироваться как X[10]и форма будет меньше; точно так же X[[10, 20]] == X[10, 20]и форма еще меньше
aформа (10, 20, 30), то a[0, :, [0]]будет форма (1, 20), а не форма , (20, 1)потому что в последнем транслируются индексы, a[[0], :, [0]]что часто не совсем то, что вы ожидаете! Тогда как a[0, :, :1]даст вам (20, 1)как положено. Более того, см. Комментарий выше для странного крайнего случая с одним индексом. В целом кажется, что у этого метода слишком много крайних случаев.
Я нашел несколько разумных решений.
1) использовать numpy.take(X,[10],0)
2) используйте эту странную индексацию X[10:11:, :]
В идеале это должно быть значение по умолчанию. Я так и не понял, зачем вообще сбрасываются габариты. Но это обсуждение numpy ...
alist[0]и сохраняются при их разрезании.
slice(n, n+1)извлечение индекса n) должен быть принятым ответом, поскольку он единственный, который естественным образом распространяется на n-мерный случай.
X[10:11, :]в Python 3.7.5 (то есть без лишнего двоеточия после 11)
Вот альтернатива, которая мне больше нравится. Вместо индексации с одним числом, индексируйте с диапазоном. То есть использовать X[10:11,:]. (Обратите внимание, что 10:11не включает 11).
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10:11,:]
xslice.shape # >> (1,10)
Это упрощает понимание с большим количеством измерений, без Noneжонглирования и выяснения, какую ось использовать, какой индекс. Также нет необходимости вести дополнительный учет размера массива, просто i:i+1для любого, iкоторый вы использовали бы при обычном индексировании.
b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape # >> (1, 3, 4)
b[:, 2:3, :].shape . # >> (2, 1, 4)
Чтобы добавить к решению, включающему индексацию списками или массивами по gnebehay, также можно использовать кортежи:
X[(10,),:]
x[None, 10]буду делать то, что ты хочешь.