索引NumPy的二维数组与另一二维数组

Question

我有类似

m = array([[1, 2], 
      [4, 5], 
      [7, 8], 
      [6, 2]]) 

和

select = array([0,1,0,0]) 

我的目标是

result = array([1, 5, 7, 6]) 

我想_ix正如我在Simplfy row AND column extraction, numpy阅读，但这并没有导致我想要的。

p.s.如果您能想到更精确的问题，请更改此问题的标题。

Answer 1

使用python怎么样？

result = array([subarray[index] for subarray, index in zip(m, select)]) 

Answer 2

result = array([m[j][0] if i==0 else m[j][1] for i,j in zip(select, range(0, len(m)))]) 

Answer 3

我更喜欢使用NP.where对于这种索引任务（而不是NP.ix_）

什么没有在OP提到的是，是否结果由位置（源数组中的行/列）或某些条件（例如m> = 5）选择。无论如何，下面的代码片段涵盖了两种情况。

三个步骤：

1. 创建条件数组;

2. 产生索引阵列通过调用NP.where，通过在这种条件 阵列;和

3. 申请这个索引对源阵列

---

>>> import numpy as NP 

>>> cnd = (m==1) | (m==5) | (m==7) | (m==6) 
>>> cnd 
    matrix([[ True, False], 
      [False, True], 
      [ True, False], 
      [ True, False]], dtype=bool) 

>>> # generate the index array/matrix 
>>> # by calling NP.where, passing in the condition (cnd) 
>>> ndx = NP.where(cnd) 
>>> ndx 
    (matrix([[0, 1, 2, 3]]), matrix([[0, 1, 0, 0]])) 

>>> # now apply it against the source array 
>>> m[ndx] 
    matrix([[1, 5, 7, 6]]) 

传递给NP.where的参数，CND，阵列是一个布尔数组，它在这种情况是由复合条件表达式（上面第一行）组成的单个表达式的结果

如果构建这样一个值过滤器并不适用于您的特定用途的情况下，那也没关系，你只需要产生实际的布尔矩阵其他方式（的CND值）（或直接创建） 。

Answer 4

的numpy的办法做到这一点是使用np.choose或花哨的索引/取（见下文）：

m = array([[1, 2], 
      [4, 5], 
      [7, 8], 
      [6, 2]]) 
select = array([0,1,0,0]) 

result = np.choose(select, m.T) 

所以没有必要蟒蛇循环，或任何东西，所有的速度优势numpy给你。 m.T只是需要，因为选择实际上是两个阵列之间的更多选择np.choose(select, (m[:,0], m[:1]))，但其直接使用它就像这样。

---

使用看中索引：

result = m[np.arange(len(select)), select] 

如果速度是非常重要的np.take，这在一维视图（作品其相当快一点由于某种原因，但也许不是这些细小阵列）：

result = m.take(select+np.arange(0, len(select) * m.shape[1], m.shape[1])) 

Answer 5

IMHO，这是最简单的变体：

m[np.arange(4), select] 

Answer 6

由于标题所指的索引一个2D阵列与另一2D阵列，一般numpy的办法可以解决here。

简而言之： 形状的指数（N，M）任意大维数m，命名为INDS，用于访问形状的另一二维阵列的元件的2D阵列（N，K），命名乙：

# array of index offsets to be added to each row of inds 
offset = np.arange(0, inds.size, inds.shape[1]) 

# numpy.take(B, C) "flattens" arrays B and C and selects elements from B based on indices in C 
Result = np.take(B, offset[:,np.newaxis]+inds)