Sto usando numpy e desidero indicizzare una riga senza perdere le informazioni sulla dimensione.
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10,:]
xslice.shape # >> (10,)
In questo esempio xslice è ora 1 dimensione, ma voglio che sia (1,10). In R, userei X [10,:, drop = F]. C'è qualcosa di simile in numpy. Non sono riuscito a trovarlo nella documentazione e non ho visto una domanda simile.
Grazie!
Risposte:
Probabilmente è più facile da fare x[None, 10, :]o in modo equivalente (ma più leggibile) x[np.newaxis, 10, :].
Per quanto riguarda il motivo per cui non è l'impostazione predefinita, personalmente, trovo che avere costantemente array con dimensioni singole diventa fastidioso molto rapidamente. Immagino che gli sviluppatori numpy la pensassero allo stesso modo.
Inoltre, numpy gestisce molto bene gli array di trasmissione, quindi di solito ci sono poche ragioni per mantenere la dimensione dell'array da cui proviene lo slice. Se l'hai fatto, allora cose come:
a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b
o non funzionerebbe o sarebbe molto più difficile da implementare.
(O almeno questa è la mia ipotesi sul ragionamento del numpy dev dietro la caduta delle informazioni sulla dimensione durante il taglio)
Nones vicino ai fiocchi che stai tagliando.
b; dovrebbe essere b = np.zeros((100,10)).
X[10,None](usando il tuo codice come esempio).
np.matmul()o@ ). Sono appena stato bruciato da questo.
Un'altra soluzione è fare
X[[10],:]o
I = array([10])
X[I,:]La dimensionalità di un array viene preservata quando l'indicizzazione viene eseguita da un elenco (o un array) di indici. Questo è bello perché ti lascia la scelta tra mantenere la dimensione e spremere.
x = np.array([[1,2,3,4]]) se poi lo tagli con x[[0],[1,2]] ottieni il monodimensionale La array([2, 3]) mia opinione è che quando selezioni i vettori di colonne o righe è meglio rendere la fetta semplice e quindi usarla np.reshape, Quindi nel mio esempio sarebbenp.reshape(x[0,[1,2]],[1,2])
X[[10]]sarebbe interpretato come X[10]e la forma sarà più piccola; allo stesso modo, X[[10, 20]] == X[10, 20]e la forma è ancora più piccola
adi forma (10, 20, 30), allora a[0, :, [0]]avrai forma (1, 20), no (20, 1), perché in quest'ultimo vengono trasmessi gli indici a a[[0], :, [0]]cui spesso non è proprio quello che ti aspetti! Considerando che a[0, :, :1]ti darà (20, 1)come previsto. Inoltre, vedere il commento sopra per il caso limite strano con indice singolo. Nel complesso, sembra che questo metodo abbia troppi casi limite.
Ho trovato alcune soluzioni ragionevoli.
1) utilizzo numpy.take(X,[10],0)
2) usa questa strana indicizzazione X[10:11:, :]
Idealmente, questo dovrebbe essere il valore predefinito. Non ho mai capito perché le dimensioni vengano mai eliminate. Ma questa è una discussione per numpy ...
alist[0]e mantenute durante la suddivisione in sezioni.
slice(n, n+1)per l'estrazione dell'indice n) dovrebbe essere la risposta accettata, poiché è l'unica che si estende naturalmente al caso n-dimensionale.
X[10:11, :]in Python 3.7.5 (cioè senza i due punti extra dopo l'11)
Ecco un'alternativa che mi piace di più. Invece di indicizzare con un singolo numero, indicizzare con un intervallo. Cioè, usa X[10:11,:]. (Nota che 10:11non include 11).
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10:11,:]
xslice.shape # >> (1,10)Questo rende facile capire anche con più dimensioni, senza Nonegiocoleria e capire quale asse usare quale indice. Inoltre, non è necessario eseguire una contabilità aggiuntiva per quanto riguarda la dimensione dell'array, solo i:i+1per quelli iche avresti usato nell'indicizzazione regolare.
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)Per aggiungere alla soluzione che coinvolge l'indicizzazione per elenchi o array di gnebehay, è anche possibile utilizzare le tuple:
X[(10,),:]
x[None, 10]farà quello che vuoi.