Rebanada de índice voluminosa sin perder información de dimensión

Question 1

Estoy usando numpy y quiero indexar una fila sin perder la información de la dimensión.

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)

En este ejemplo, xslice es ahora 1 dimensión, pero quiero que sea (1,10). En R, usaría X [10,:, drop = F]. ¿Hay algo similar en numpy. No pude encontrarlo en la documentación y no vi una pregunta similar.

¡Gracias!

Question 2

Probablemente sea más fácil de hacer x[None, 10, :]o equivalente (pero más legible) x[np.newaxis, 10, :].

En cuanto a por qué no es el predeterminado, personalmente, encuentro que tener matrices constantemente con dimensiones singleton se vuelve molesto muy rápidamente. Supongo que los desarrolladores numpy sintieron lo mismo.

Además, numpy maneja muy bien las matrices de difusión, por lo que generalmente hay pocas razones para retener la dimensión de la matriz de la que proviene el segmento. Si lo hizo, entonces cosas como:

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

o no funcionaría o sería mucho más difícil de implementar.

(O al menos esa es mi suposición sobre el razonamiento del desarrollador numpy detrás de la caída de información de dimensión al cortar)

Question 3

Otra solución es hacer

X[[10],:]

o

I = array([10])
X[I,:]

La dimensionalidad de una matriz se conserva cuando la indexación se realiza mediante una lista (o una matriz) de índices. Esto es bueno porque te deja la opción entre mantener la dimensión y apretar.

Question 4

Encontré algunas soluciones razonables.

1) uso numpy.take(X,[10],0)

2) usa esta extraña indexación X[10:11:, :]

Idealmente, este debería ser el predeterminado. Nunca entendí por qué se eliminan las dimensiones. Pero esa es una discusión para numpy ...

Question 5

Aquí hay una alternativa que me gusta más. En lugar de indexar con un solo número, indexe con un rango. Es decir, use X[10:11,:]. (Tenga en cuenta que 10:11no incluye 11).

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

Esto también hace que sea fácil de entender con más dimensiones, sin Nonehacer malabares y sin saber qué eje usar qué índice. Además, no es necesario realizar una contabilidad adicional con respecto al tamaño de la matriz, solo i:i+1para cualquiera ique haya utilizado en la indexación regular.

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)

Question 6

Para agregar a la solución que involucra la indexación por listas o matrices por gnebehay, también es posible usar tuplas:

X[(10,),:]

Question 7

Esto es especialmente molesto si está indexando mediante una matriz que podría tener una longitud de 1 en tiempo de ejecución. Para ese caso, hay np.ix_:

some_array[np.ix_(row_index,column_index)]

Answer 1

Estoy usando numpy y quiero indexar una fila sin perder la información de la dimensión.

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)

En este ejemplo, xslice es ahora 1 dimensión, pero quiero que sea (1,10). En R, usaría X [10,:, drop = F]. ¿Hay algo similar en numpy. No pude encontrarlo en la documentación y no vi una pregunta similar.

¡Gracias!

Answer 2

59

Probablemente sea más fácil de hacer x[None, 10, :]o equivalente (pero más legible) x[np.newaxis, 10, :].

En cuanto a por qué no es el predeterminado, personalmente, encuentro que tener matrices constantemente con dimensiones singleton se vuelve molesto muy rápidamente. Supongo que los desarrolladores numpy sintieron lo mismo.

Además, numpy maneja muy bien las matrices de difusión, por lo que generalmente hay pocas razones para retener la dimensión de la matriz de la que proviene el segmento. Si lo hizo, entonces cosas como:

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

o no funcionaría o sería mucho más difícil de implementar.

(O al menos esa es mi suposición sobre el razonamiento del desarrollador numpy detrás de la caída de información de dimensión al cortar)

Joe Kington
fuente

6

@Lisa: x[None, 10]harás lo que quieras.

naught101

Sip. Pon tu Nones al lado de los atenuadores que estás cortando.

Mad Physicist

1

En el ejemplo faltan corchetes adicionales para la tupla en la asignación a b; debería ser b = np.zeros((100,10)).

Jerzy

¿Cuál es la razón para usar 3 índices en total en lugar de solo dos? Quiero decir X[10,None](usando su código como ejemplo).

greenoldman

8

" normalmente hay pocas razones para retener la dimensión de la matriz " ... Bueno, ciertamente, arruinará total y completamente la multiplicación de matrices ( np.matmul()o@ ). Esto me quemó.

Jean-François Corbett

Answer 3

6

@Lisa: x[None, 10]harás lo que quieras.

naught101

Answer 4

Sip. Pon tu Nones al lado de los atenuadores que estás cortando.

Mad Physicist

Answer 5

1

En el ejemplo faltan corchetes adicionales para la tupla en la asignación a b; debería ser b = np.zeros((100,10)).

Jerzy

Answer 6

¿Cuál es la razón para usar 3 índices en total en lugar de solo dos? Quiero decir X[10,None](usando su código como ejemplo).

greenoldman

Answer 7

8

" normalmente hay pocas razones para retener la dimensión de la matriz " ... Bueno, ciertamente, arruinará total y completamente la multiplicación de matrices ( np.matmul()o@ ). Esto me quemó.

Jean-François Corbett

Answer 8

89

Otra solución es hacer

X[[10],:]

o

I = array([10])
X[I,:]

La dimensionalidad de una matriz se conserva cuando la indexación se realiza mediante una lista (o una matriz) de índices. Esto es bueno porque te deja la opción entre mantener la dimensión y apretar.

gnebehay
fuente

2

Esto copia los datos de la matriz

por

Este no es siempre el caso. Ver: x = np.array([[1,2,3,4]]) si luego lo corta, x[[0],[1,2]] obtiene el unidimensional. array([2, 3]) Mi opinión es que al seleccionar los vectores de columna o fila, es mejor hacer el corte simple y luego usarlo np.reshape, así que en mi ejemplo seríanp.reshape(x[0,[1,2]],[1,2])

Alexander

1

otros, tenga en cuenta el punto y coma al final: es importante, X[[10]]se interpretaría como X[10]y la forma será más pequeña; de manera similar, X[[10, 20]] == X[10, 20]y la forma es aún más pequeña

Ben Usman

1

Advertencia : ¡no mezcle esta forma de indexación con solo indexación de enteros! Si tuvieras aforma (10, 20, 30), entonces a[0, :, [0]]tendrá forma (1, 20), no (20, 1), porque en estos últimos se emiten índices a los a[[0], :, [0]]que muchas veces no es exactamente lo que esperas! Considerando que a[0, :, :1]le dará lo (20, 1)esperado. Además, consulte el comentario anterior para un caso de borde extraño con índice único. En general, parece que este método tiene demasiados casos extremos.

Ben Usman

Answer 9

2

Esto copia los datos de la matriz

por

Answer 10

Este no es siempre el caso. Ver: x = np.array([[1,2,3,4]]) si luego lo corta, x[[0],[1,2]] obtiene el unidimensional. array([2, 3]) Mi opinión es que al seleccionar los vectores de columna o fila, es mejor hacer el corte simple y luego usarlo np.reshape, así que en mi ejemplo seríanp.reshape(x[0,[1,2]],[1,2])

Alexander

Answer 11

1

otros, tenga en cuenta el punto y coma al final: es importante, X[[10]]se interpretaría como X[10]y la forma será más pequeña; de manera similar, X[[10, 20]] == X[10, 20]y la forma es aún más pequeña

Ben Usman

Answer 12

1

Advertencia : ¡no mezcle esta forma de indexación con solo indexación de enteros! Si tuvieras aforma (10, 20, 30), entonces a[0, :, [0]]tendrá forma (1, 20), no (20, 1), porque en estos últimos se emiten índices a los a[[0], :, [0]]que muchas veces no es exactamente lo que esperas! Considerando que a[0, :, :1]le dará lo (20, 1)esperado. Además, consulte el comentario anterior para un caso de borde extraño con índice único. En general, parece que este método tiene demasiados casos extremos.

Ben Usman

Answer 13

30

Encontré algunas soluciones razonables.

1) uso numpy.take(X,[10],0)

2) usa esta extraña indexación X[10:11:, :]

Idealmente, este debería ser el predeterminado. Nunca entendí por qué se eliminan las dimensiones. Pero esa es una discusión para numpy ...

asuntos mentales
fuente

1

Las 'dimensiones' se eliminan al indexar listas de Python alist[0]y se mantienen al dividirlas.

hpaulj

4

La opción 2 (que se puede escribir como slice(n, n+1)para extraer índice n) debería ser la respuesta aceptada, ya que es la única que se extiende naturalmente al caso n-dimensional.

norok2

La opción 2 parece poder escribirse como X[10:11, :]en Python 3.7.5 (es decir, sin los dos puntos adicionales después del 11)

Joe

Answer 14

1

Las 'dimensiones' se eliminan al indexar listas de Python alist[0]y se mantienen al dividirlas.

hpaulj

Answer 15

4

La opción 2 (que se puede escribir como slice(n, n+1)para extraer índice n) debería ser la respuesta aceptada, ya que es la única que se extiende naturalmente al caso n-dimensional.

norok2

Answer 16

La opción 2 parece poder escribirse como X[10:11, :]en Python 3.7.5 (es decir, sin los dos puntos adicionales después del 11)

Joe

Answer 17

Aquí hay una alternativa que me gusta más. En lugar de indexar con un solo número, indexe con un rango. Es decir, use X[10:11,:]. (Tenga en cuenta que 10:11no incluye 11).

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

Esto también hace que sea fácil de entender con más dimensiones, sin Nonehacer malabares y sin saber qué eje usar qué índice. Además, no es necesario realizar una contabilidad adicional con respecto al tamaño de la matriz, solo i:i+1para cualquiera ique haya utilizado en la indexación regular.

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)

Answer 18

4

Para agregar a la solución que involucra la indexación por listas o matrices por gnebehay, también es posible usar tuplas:

X[(10,),:]

leilu
fuente

Answer 19

Esto es especialmente molesto si está indexando mediante una matriz que podría tener una longitud de 1 en tiempo de ejecución. Para ese caso, hay np.ix_:

some_array[np.ix_(row_index,column_index)]

Rebanada de índice voluminosa sin perder información de dimensión

Respuestas: