Нарезка 2d-массива NumPy или как извлечь подматрицу mxm из массива nxn (n>m)?

чтобы ответить на этот вопрос, мы должны посмотреть, как индексирование многомерного массива работает в Numpy. Давайте сначала скажем, что у вас есть array x из вашего вопроса. Буфер, назначенный x будет содержать 16 целых чисел по возрастанию от 0 до 15. Если у вас есть доступ к одному элементу, скажите x[i,j], NumPy должен выяснить местоположение памяти этого элемента относительно начала буфера. Это делается путем вычисления in effect i*x.shape[1]+j (и умножение с размером int, чтобы получить фактическое смещение памяти).

если вы извлекаете subarray путем основной нарезки, как y = x[0:2,0:2], результирующий объект будет делиться буфера с x. Но что произойдет, если вы Acces y[i,j]? NumPy не может использовать i*y.shape[1]+j для вычисления смещения в массив, потому что данные, принадлежащие y не является последовательным в памяти.

NumPy решает эту проблему, вводя успехов. При расчете смещения памяти для доступа x[i,j], что на самом деле рассчитывается i*x.strides[0]+j*x.strides[1] (и это уже включает фактор для размера int):

x.strides
(16, 4)

, когда y извлекается, как указано выше, NumPy не создает новый буфер, но он тут создайте новый объект массива, ссылающийся на тот же буфер (в противном случае y будет равна x.) Новый объект массива будет иметь другую форму, чем x и, возможно, другое начальное смещение в буфер, но будет делиться шагами с x (в данном случае по крайней мере):

y.shape
(2,2)
y.strides
(16, 4)

таким образом, вычисление смещения памяти для y[i,j] даст правильный результат.

но что должен делать NumPy для чего-то вроде z=x[[1,3]]? Механизм шагов не позволит правильно индексировать, если исходный буфер используется для z. И NumPy теоретически мог бы добавьте более сложный механизм, чем шаги, но это сделает доступ к элементам относительно дорогим, каким - то образом бросая вызов вся идея массива. Кроме того, представление больше не будет действительно легким объектом.

это освещается в документация NumPy по индексированию.

О, и почти забыл о вашем фактическом вопросе: вот как сделать индексацию с несколькими списками работать так, как ожидалось:

x[[[1],[3]],[1,3]]

это потому, что массивы индексов транслироваться в общей форме. Конечно, для этого конкретного примера, вы также можете обойтись базовой нарезкой:

x[1::2, 1::2]

Я так не думаю x[[1,3]][:,[1,3]] трудно читается. Если вы хотите быть более ясными в своих намерениях, вы можете сделать:

a[[1,3],:][:,[1,3]]

Я не эксперт в нарезке, но обычно, если вы пытаетесь нарезать массив и значения непрерывны, вы получаете представление, в котором изменяется значение шага.

например, в ваших входах 33 и 34, хотя вы получаете массив 2x2, шаг равен 4. Таким образом, когда вы индексируете следующую строку, указатель перемещается в правильное положение в память.

очевидно, что этот механизм не очень хорошо переносится в случае массива индексов. Следовательно, numpy придется сделать копию. В конце концов, многие другие матричные математические функции зависят от размера, шага и непрерывного выделения памяти.

если вы хотите пропустить каждую другую строку и каждый другой столбец, то вы можете сделать это с помощью basic slicing:

In [49]: x=np.arange(16).reshape((4,4))
In [50]: x[1:4:2,1:4:2]
Out[50]: 
array([[ 5,  7],
       [13, 15]])

это возвращает представление, а не копию вашего массива.

In [51]: y=x[1:4:2,1:4:2]

In [52]: y[0,0]=100

In [53]: x   # <---- Notice x[1,1] has changed
Out[53]: 
array([[  0,   1,   2,   3],
       [  4, 100,   6,   7],
       [  8,   9,  10,  11],
       [ 12,  13,  14,  15]])

пока z=x[(1,3),:][:,(1,3)] использует расширенную индексацию и, таким образом, возвращает копию:

In [58]: x=np.arange(16).reshape((4,4))
In [59]: z=x[(1,3),:][:,(1,3)]

In [60]: z
Out[60]: 
array([[ 5,  7],
       [13, 15]])

In [61]: z[0,0]=0

отметим, что x остается неизменной:

In [62]: x
Out[62]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

если вы хотите выбрать произвольные строки и столбцы, вы не можете использовать базовое нарезание. Вам придется использовать расширенное индексирование, используя что-то вроде x[rows,:][:,columns], где rows и columns последовательности. Это, конечно, даст вам копию, а не представление вашего исходного массива. Это так, как следует ожидать, поскольку массив numpy использует непрерывную память (с постоянными шагами), и не было бы возможности генерировать представление с произвольными строками и столбцами (так как для этого потребовались бы непостоянные шаги).

С numpy вы можете передать срез для каждого компонента индекса-Итак, ваш x[0:2,0:2] пример выше работает.

если вы просто хотите равномерно пропустить столбцы или строки, вы можете передать срезы с тремя компонентами (т. е. start, stop, step).

опять же, для вашего примера выше:

>>> x[1:4:2, 1:4:2]
array([[ 5,  7],
       [13, 15]])

что в основном: срез в первом измерении, начиная с индекса 1, останавливается, когда индекс равен или больше 4, и добавляет 2 к индексу в каждом проходе. То же самое для второе измерение. Опять же: это работает только для постоянных шагов.

синтаксис, вы должны сделать что-то совсем другое внутренне - то x[[1,3]][:,[1,3]] фактически создает новый массив, включающий только строки 1 и 3 из исходного массива (сделано с x[[1,3]] part), а затем повторно срежьте это-создание третьего массива - включая только столбцы 1 и 3 предыдущего массива.

у меня есть аналогичный вопрос здесь:запись в суб-ndarray в ndarray в самых pythonian пути. В Python 2 .

после решения предыдущего сообщения для вашего случая решение выглядит следующим образом:

columns_to_keep = [1,3] 
rows_to_keep = [1,3]

С помощью ix_:

x[np.ix_(rows_to_keep, columns_to_keep)] 

что:

array([[ 5,  7],
       [13, 15]])

Я не уверен, насколько это эффективно, но вы можете использовать range () для среза на обеих осях

 x=np.arange(16).reshape((4,4))
 x[range(1,3), :][:,range(1,3)]