我正在学习numpy框架。这段代码我看不懂。
import numpy as np
a =np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
print(a)
row = np.array([[0,0],[3,3]])
col = np.array([[0,2],[0,2]])
b = a[row,col]
print("This is b array:",b)
该b数组返回数组的角值a，即b equals [[0,2],[9,11]]。
当使用数组或“类数组”完成索引以访问/修改数组的元素时，称为高级索引。
In [37]: a
Out[37]:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
In [38]: row
Out[38]:
array([[0, 0],
[3, 3]])
In [39]: col
Out[39]:
array([[0, 2],
[0, 2]])
In [40]: a[row, col]
Out[40]:
array([[ 0, 2],
[ 9, 11]])
这就是你得到的。下面是一个解释：
Indices of
`a[row, col]` row column
|| || || ||
VV VV VV VV
a[0, 0] a[0, 2]
a[3, 0] a[3, 2]
|__________| |
row-idx array |
|__________|
column-idx array
您正在a使用两个形状相同的 进行索引2d-arrays，因此您的输出数组也将具有与coland相同的形状row。为了更好地理解array indexing工作原理，您可以检查文档，如图所示，1d-arrays在给定数组的现有轴上进行索引的工作方式如下：
结果[i_1, ..., i_M] == x[ind_1[i_1, ..., i_M], ind_2[i_1, ..., i_M], ..., ind_N[i_1, ..., i_M] ]
相同的逻辑适用于在2d-arrays每个轴上进行索引的情况，但是您将拥有一个result最多包含i_N_M索引的数组。
因此，回到您的示例，您实际上是从abased on的行中进行选择row，并且从rows您选择某些列的行中进行选择col。(x,y)您可能会发现将行和列索引转换为坐标更直观：
(0,0), (0,2)
(3,0), (3,2)
其中，通过从 中进行相应选择a，得到输出数组：
print(a[row,col])
array([[ 0, 2],
[ 9, 11]])
按步骤进行：
import numpy as np
a = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
print(a)
给出二维数组a：
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
然后：
row = np.array([[0,0],[3,3]])
分配给二维数组row值[0,0]和[3,3]：
array([[0, 0],
[3, 3]])
然后：
col = np.array([[0,2],[0,2]])
分配给二维数组col值[0,2]和[0,2]：
array([[0, 2],
[0, 2]])
最后：
b = a[row,col]
分配b给由 给定的值a[0,0]，a[0,2]对于第一行，a[3,0]对于a[3,2]第二行，即：
array([[ 0, 2],
[ 9, 11]])
b[0,0]<--a[0,0]来自哪里？它来自row[0,0]0 和col[0,0]0 的组合。
b[0,1]<--呢a[0,2]？它来自row[0,1]0 和col[0,1]2 的组合。
等等。
你可以通过更多的尝试来理解它，看到更多的例子。
如果您有一维索引：
In [58]: np.arange(10)[np.array([1,3,4,6])]
Out[58]: array([1, 3, 4, 6])
如果是二维索引：
In [57]: np.arange(10)[np.array([[1,3],[4,6]])]
Out[57]:
array([[1, 3],
[4, 6]])
如果使用 3 维索引：
In [59]: np.arange(10)[np.array([[[1],[3]],[[4],[6]]])]
Out[59]:
array([[[1],
[3]],
[[4],
[6]]])
正如你所看到的，如果你在索引中建立层次结构，你也会在输出中得到它。