Я використовую numpy і хочу проіндексувати рядок, не втрачаючи інформацію про розмірність.
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10,:]
xslice.shape # >> (10,) У цьому прикладі xslice тепер 1 вимір, але я хочу, щоб це було (1,10). У R я б використовував X [10,:, drop = F]. Чи є щось подібне в numpy. Я не зміг знайти його в документації і не побачив подібного запитання.
Дякую!
Відповіді:
Це, мабуть, найпростіше зробити x[None, 10, :]або еквівалентно (але більш читабельно) x[np.newaxis, 10, :].
Що стосується того, чому це не за замовчуванням, особисто я вважаю, що постійне наявність масивів з одномісними розмірами дуже швидко дратує. Я думаю, numpy розробники відчували те саме.
Крім того, numpy дуже добре обробляє масиви мовлення, тому, як правило, мало підстав зберігати розмірність масиву, з якого отримано зріз. Якщо ви це зробили, то такі речі:
a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = bабо не буде працювати, або буде набагато складнішим для реалізації.
(Або, принаймні, це моє припущення щодо міркувань розробника numpy, за яким випадає інформація про розміри при нарізанні)
Nones поруч із димами, які ви рубите.
b; це повинно бути b = np.zeros((100,10)).
X[10,None](використовуючи ваш код як приклад).
np.matmul()або@ ). Просто від цього обпеклась.
Інше рішення - це зробити
X[[10],:]або
I = array([10])
X[I,:]Розмірність масиву зберігається, коли індексація виконується списком (або масивом) індексів. Це приємно, оскільки це залишає вам вибір між збереженням розміру та стисканням.
x = np.array([[1,2,3,4]]) якщо ви потім наріжете його разом із x[[0],[1,2]] собою, отримаєте одновимірний. На array([2, 3]) мою думку, при виборі векторів стовпців або рядків найкраще зробити зріз простим, а потім використовувати np.reshape, отже, у моєму прикладі це будеnp.reshape(x[0,[1,2]],[1,2])
X[[10]]буде тлумачитися як, X[10]і форма буде меншою; аналогічно, X[[10, 20]] == X[10, 20]і форма ще менша
aформу (10, 20, 30), тоді a[0, :, [0]]матимете форму (1, 20), ні (20, 1), бо в останніх транслюються індекси, на a[[0], :, [0]]які часто буває не зовсім те, що ви очікуєте! Тоді a[0, :, :1]як дадуть вам, (20, 1)як очікували. Більше того, див. Наведений вище коментар щодо дивного краю з одним індексом. Загалом, здається, що цей метод має занадто багато випадків краю.
Я знайшов кілька розумних рішень.
1) використання numpy.take(X,[10],0)
2) використовувати цю дивну індексацію X[10:11:, :]
В ідеалі це має бути за замовчуванням. Я ніколи не розумів, чому розміри колись падають. Але це дискусія для numpy ...
alist[0]і зберігаються при їх нарізуванні.
slice(n, n+1)для вилучення індексу n) повинен бути прийнятою відповіддю, оскільки він єдиний, який природно поширюється на n-вимірний випадок.
X[10:11, :]у Python 3.7.5 (тобто без зайвої двокрапки після 11)
Ось альтернатива, яка мені більше подобається. Замість індексації одним числом індексуйте діапазоном. Тобто використовувати X[10:11,:]. (Зверніть увагу, що 10:11не включає 11).
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10:11,:]
xslice.shape # >> (1,10)Це полегшує розуміння з більшою кількістю розмірів, без Noneжонглювання та з'ясування, яку вісь використовувати, який індекс. Також не потрібно зайвого бухгалтерського обліку щодо розміру масиву, просто i:i+1для будь-якого, iщо ви б використовували при звичайному індексуванні.
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)Для додавання до рішення, що включає індексацію за списками або масивами за допомогою gnebehay, можна також використовувати кортежі:
X[(10,),:]
x[None, 10]робитиме те, що ти хочеш.