Selectionner les lignes et les colonnes d'un tableau NumPy

J'ai été fou à essayer de comprendre ce stupide chose que je fais mal ici.

Je suis en utilisant NumPy, et j'ai des indices de ligne et de colonne spécifique indices que je veux choisir. Voici le résumé de mon problème:

import numpy as np

a = np.arange(20).reshape((5,4))
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])

# If I select certain rows, it works
print a[[0, 1, 3], :]
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [12, 13, 14, 15]])

# If I select certain rows and a single column, it works
print a[[0, 1, 3], 2]
# array([ 2,  6, 14])

# But if I select certain rows AND certain columns, it fails
print a[[0,1,3], [0,2]]
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
# ValueError: shape mismatch: objects cannot be broadcast to a single shape

Pourquoi est-ce arrivé? Certes, je devrait être en mesure de sélectionner les 1er, 2e et 4e lignes, et les 1er et 3ème colonnes? Le résultat que j'attends est:

a[[0,1,3], [0,2]] => [[0,  2],
                      [4,  6],
                      [12, 14]]

Tagged numpy-découpage pour améliorer la localisation. (Aussi, les termes de "tranche" et "découpage" ne se produit pas dans le texte en clair, on pourrait utiliser quelques doublons avec ces termes fermé dans le présent)
C'est un doublon de stackoverflow.com/questions/19161512/numpy-extract-submatrix

InformationsquelleAutor Mike C | 2014-04-08

59

Fantaisie indexation vous demande de fournir tous les indices pour chaque dimension. Vous offrant 3 indices pour le premier, et seulement 2 pour la seconde, d'où l'erreur. Vous voulez faire quelque chose comme ceci:
```
>>> a[[[0, 0], [1, 1], [3, 3]], [[0,2], [0,2], [0, 2]]]
array([[ 0,  2],
       [ 4,  6],
       [12, 14]])
```
Qui est bien sûr une douleur d'écrire, de sorte que vous pouvez laisser de radiodiffusion de vous aider à:
```
>>> a[[[0], [1], [3]], [0, 2]]
array([[ 0,  2],
       [ 4,  6],
       [12, 14]])
```
C'est beaucoup plus simple à faire si vous index des tableaux, et non pas des listes:
```
>>> row_idx = np.array([0, 1, 3])
>>> col_idx = np.array([0, 2])
>>> a[row_idx[:, None], col_idx]
array([[ 0,  2],
       [ 4,  6],
       [12, 14]])
```
- Merci, je ne sais pas qui pourrait le faire! La radiodiffusion est étrange et le merveilleux... Après deux ans de numpy, je suis encore à s'habituer à elle.
- Merci! Tandis que les autres réponses n'a répondu à ma question correctement en termes de retour de la matrice sélectionnée, cette réponse d'aborder et de traiter la question de la cession (comment définir un[[0,1,3], [0,2]] = 0, pour exemple).
- Juste hier, j'ai découvert un one-liner intégré à faire exactement la radiodiffusion astuce vous suggérons: np.ix_
- Quelqu'un pourrait-il fournir une explication quant à pourquoi la syntaxe fonctionne comme ceci? Quelle est la raison pour laquelle il travaille pour les deux premiers exemples, mais pas le troisième. Et aussi, comment ne l'encapsulation de l'voulu indices dans leurs propres listes de résoudre ce problème? Merci
- Pourquoi les lignes doivent être imbriqués et les cols sont pas?
InformationsquelleAutor Jaime
48

Que Toan l'indique, un simple hack serait de sélectionner les lignes de la première, puis sélectionnez les colonnes sur que.
```
>>> a[[0,1,3], :]            # Returns the rows you want
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [12, 13, 14, 15]])
>>> a[[0,1,3], :][:, [0,2]]  # Selects the columns you want as well
array([[ 0,  2],
       [ 4,  6],
       [12, 14]])
```
[Modifier] La méthode intégrée: np.ix_

J'ai récemment découvert que numpy vous donne un one-liner pour faire exactement ce que @Jaime suggéré, mais sans avoir à utiliser de radiodiffusion de la syntaxe (qui souffre d'un manque de lisibilité). À partir de la documentation:

À l'aide de ix_, on peut facilement construire des index des tableaux qui indexe le
la croix du produit. a[np.ix_([1,3],[2,5])] retourne un tableau [[a[1,2] a[1,5]], [a[3,2] a[3,5]]].

Si vous l'utiliser comme ceci:
```
>>> a = np.arange(20).reshape((5,4))
>>> a[np.ix_([0,1,3], [0,2])]
array([[ 0,  2],
       [ 4,  6],
       [12, 14]])
```
Et la façon dont il fonctionne, c'est qu'il prend soin d'aligner les tableaux de la façon dont Jaime suggéré, afin de radiodiffusion se passe correctement:
```
>>> np.ix_([0,1,3], [0,2])
(array([[0],
        [1],
        [3]]), array([[0, 2]]))
```
Aussi, comme MikeC dit dans un commentaire, np.ix_ a l'avantage de renvoyer une vue de ma première (pré-edit) réponse n'a pas. Cela signifie que vous pouvez maintenant attribuer au tableau indexé:
```
>>> a[np.ix_([0,1,3], [0,2])] = -1
>>> a    
array([[-1,  1, -1,  3],
       [-1,  5, -1,  7],
       [ 8,  9, 10, 11],
       [-1, 13, -1, 15],
       [16, 17, 18, 19]])
```
- Dans quelques essais, j'ai aussi trouvé np.ix_ être plus rapide que la méthode de sélection des premières colonnes et des lignes (en général environ 2x plus rapide sur mes tests de tableaux carrés de tailles 1K-10K, où vous réindexer toutes les lignes et colonnes).
InformationsquelleAutor Praveen
5

UTILISATION:
```
 >>> a[[0,1,3]][:,[0,2]]
array([[ 0,  2],
   [ 4,  6],
   [12, 14]])
```
OU:
```
>>> a[[0,1,3],::2]
array([[ 0,  2],
   [ 4,  6],
   [12, 14]])
```
- Tandis que c'est correct, vous devriez envisager d'afficher un peu plus d'informations pour expliquer pourquoi c'est correct.
InformationsquelleAutor Toan Nguyen

Vous devez vous connecter pour publier un commentaire.

[Modifier] La méthode intégrée: np.ix_

[Modifier] La méthode intégrée: `np.ix_`