我有一个大的一维整数数组，我需要切片。这是微不足道的，我只是做a[start:end]。问题是我需要更多这些切片。如果开始和结束是数组，则a[start:end]不起作用。 For循环可以用于此，但我需要它尽可能快（这是一个瓶颈），所以本地numpy解决方案将受到欢迎。用另一个数组切片numpy数组
为了进一步说明，我有这样的：
a = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], numpy.int16)
start = numpy.array([1, 5, 7], numpy.int16)
end = numpy.array([2, 10, 9], numpy.int16)
而且需要以某种方式使之变成这样：
[[1], [5, 6, 7, 8, 9], [7, 8]]
这不是一个“纯” numpy的解决方案（尽管@ mgilson的评论笔记，很难看到不规则的输出如何能成为一个numpy的阵列），但：
a = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], numpy.int16)
start = numpy.array([1, 5, 7], numpy.int16)
end = numpy.array([2, 10, 9], numpy.int16)
map(lambda range: a[range[0]:range[1]],zip(start,end))
让你：
[array([1], dtype=int16), array([5, 6, 7, 8, 9], dtype=int16), array([7, 8], dtype=int16)]
根据需要。
没有numpy的方法来做到这一点。请注意，由于它是不规则的，它只会是数组/片的列表。不过，我想补充一点，对于几乎所有numpy函数（二进制）ufuncs（或者至少基于它们），都有reduceat方法，这可能会帮助您避免实际创建切片列表，因而，如果片为小，加快计算过：
In [1]: a = np.arange(10)
In [2]: np.add.reduceat(a, [0,4,7]) # add up 0:4, 4:7 and 7:end
Out[2]: array([ 6, 15, 24])
In [3]: np.maximum.reduceat(a, [0,4,7]) # maximum of each of those slices
Out[3]: array([3, 6, 9])
In [4]: w = np.asarray([0,4,7,10]) # 10 for the total length
In [5]: np.add.reduceat(a, w[:-1]).astype(float)/np.diff(w) # equivalent to mean
Out[5]: array([ 1.5, 5. , 8. ])
编辑：既然你的片重叠，我会补充说，这是太正常：
# I assume that start is sorted for performance reasons.
reductions = np.column_stack((start, end)).ravel()
sums = np.add.reduceat(a, reductions)[::2]
的[::2]应该没有大通常在这里处理，因为重叠切片没有真正的额外工作。
此外还有一个问题，其中stop==len(a)切片。这必须避免。如果你恰好有一个切片有了它，你可以只是做reductions = reductions[:-1]（如果它的最后一个），但除此之外，你只需要一个值追加到a诱骗reduceat：
a = np.concatenate((a, [0]))
由于增加一个价值无论如何，由于你在切片上工作，最后并不重要。
这可以（几乎？）在纯numpy中使用掩码数组和步进技巧完成。首先，我们创建面膜：
>>> indices = numpy.arange(a.size)
>>> mask = ~((indices >= start[:,None]) & (indices < end[:,None]))
或者更简单地说：
>>> mask = (indices < start[:,None]) | (indices >= end[:,None])
的掩码False（即值没有被屏蔽），对于那些>=的起始值和<年底价值指数。 （切片None（又名numpy.newaxis）增加了一个新的维度，使广播。）现在我们的面具看起来是这样的：
>>> mask
array([[ True, False, True, True, True, True, True, True, True,
True, True, True],
[ True, True, True, True, True, False, False, False, False,
False, True, True],
[ True, True, True, True, True, True, True, False, False,
True, True, True]], dtype=bool)
现在我们要舒展阵列使用stride_tricks以适应面具：
>>> as_strided = numpy.lib.stride_tricks.as_strided
>>> strided = as_strided(a, mask.shape, (0, a.strides[0]))
>>> strided
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]], dtype=int16)
这看起来像一个3x12阵列，但同时每一行分记忆。现在，我们可以将它们组合成一个屏蔽数组：
>>> numpy.ma.array(strided, mask=mask)
masked_array(data =
[[-- 1 -- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- 5 6 7 8 9 -- --]
[-- -- -- -- -- -- -- 7 8 -- -- --]],
mask =
[[ True False True True True True True True True True True True]
[ True True True True True False False False False False True True]
[ True True True True True True True False False True True True]],
fill_value = 999999)
这是不太一样的，你问什么，但它应该表现相似。
很酷的想法，知道这种方法是否适用于他的用例（在较新的numpy版本上）会很有趣。目前的那个缺少''where''关键字到'ufunc's（1.7也没有它的缩减）。这意味着你的步幅技巧阵列将被复制到完整版本中，几乎可以处理任何事情... – seberg
Mmh，'ufunc'中'where'缺少*无法解决手头的问题，和'np.ma'通常会避免副本......这实际上并不是使用困扰我的'np.ma'（很酷的想法本身）的问题，而是它可能无法通过循环或列表理解来构建幻灯片（仅仅是因为数组大小加倍）......不过，这很有趣，+1 –
@PierreGM，是的，我只是想到了那里的还原函数，但是在某些时候这些可能会被想要...... – seberg
类似的解决方案，如timday。类似的速度：
a = np.random.randint(0,20,1e6)
start = np.random.randint(0,20,1e4)
end = np.random.randint(0,20,1e4)
def my_fun(arr,start,end):
return arr[start:end]
%timeit [my_fun(a,i[0],i[1]) for i in zip(start,end)]
%timeit map(lambda range: a[range[0]:range[1]],zip(start,end))
100 loops, best of 3: 7.06 ms per loop 100 loops, best of 3: 6.87 ms per loop
如果你想在一个行，这将是：
x=[list(a[s:e]) for (s,e) in zip(start,end)]
我有一个很难理解什么'start'和'end'有与此相关。另外，我不认为你可以完全用numpy做这个，因为numpy数组需要是矩形的。 – mgilson
YOu可能会尝试将起始值作为列表中的元组。 – Keith
因为在这里似乎没有规范的numpy解决方案，所以如果您需要更多的想法，您可能希望事后添加您实际做的事情，以及切片是否具有某些特殊属性。 – seberg