Подстановка массива 2D numpy

Ответ 1

У вас есть несколько хороших примеров того, как делать то, что вы хотите. Тем не менее, также полезно понять, что происходит и почему все работает так, как они делают. Есть несколько простых правил, которые помогут вам в будущем.

Существует большая разница между "фантазийным" индексированием (т.е. использованием списка/последовательности) и "нормальным" индексированием (с использованием среза). Основная причина связана с тем, можно ли "массировать" массив регулярно, и, следовательно, нужно ли делать копию. Поэтому произвольные последовательности должны обрабатываться по-разному, если мы хотим иметь возможность создавать "представления" без копирования.

В вашем случае:

import numpy as np

a = np.arange(100).reshape(10,10)
n1, n2 = np.arange(5), np.arange(5)

# Not what you want
b = a[n1, n2]  # array([ 0, 11, 22, 33, 44])

# What you want, but only for simple sequences
# Note that no copy of *a* is made!! This is a view.
b = a[:5, :5]

# What you want, but probably confusing at first. (Also, makes a copy.)
# np.meshgrid and np.ix_ are basically equivalent to this.
b = a[n1[:,None], n2[None,:]]

Необычная индексация с 1D-последовательностями в основном эквивалентна их скреплению и индексированию с результатом.

print "Fancy Indexing:"
print a[n1, n2]

print "Manual indexing:"
for i, j in zip(n1, n2):
    print a[i, j]

Однако, если последовательности, которые вы индексируете, соответствуют размерности массива, который вы индексируете (в данном случае 2D). Индексирование обрабатывается по-разному. Вместо того, чтобы "сжимать два вместе", numpy использует индексы наподобие маски.

Иными словами, a[[[1, 2, 3]], [[1],[2],[3]]] трактуется совершенно иначе, чем a[[1, 2, 3], [1, 2, 3]], потому что последовательности/массивы, которые вы проходите, являются двумерными.

In [4]: a[[[1, 2, 3]], [[1],[2],[3]]]
Out[4]:
array([[11, 21, 31],
       [12, 22, 32],
       [13, 23, 33]])

In [5]: a[[1, 2, 3], [1, 2, 3]]
Out[5]: array([11, 22, 33])

Чтобы быть более точным,

a[[[1, 2, 3]], [[1],[2],[3]]]

обрабатывается точно так же:

i = [[1, 1, 1],
     [2, 2, 2],
     [3, 3, 3]])
j = [[1, 2, 3],
     [1, 2, 3],
     [1, 2, 3]]
a[i, j]

Другими словами, является ли входной вектор строки/столбца сокращением того, как индексы должны повторяться при индексировании.

np.meshgrid и np.ix_ являются просто убедительными способами превратить ваши 1D-последовательности в их 2D-версии для индексирования:

In [6]: np.ix_([1, 2, 3], [1, 2, 3])
Out[6]:
(array([[1],
       [2],
       [3]]), array([[1, 2, 3]]))

Аналогично (аргумент sparse сделал бы его идентичным с ix_ выше):

In [7]: np.meshgrid([1, 2, 3], [1, 2, 3], indexing='ij')
Out[7]:
[array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]]),
 array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])]

Ответ 2

Еще один быстрый способ создания нужного индекса - использовать функцию np.ix_:

>>> a[np.ix_(n1, n2)]
array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [20, 21, 22, 23, 24],
       [30, 31, 32, 33, 34],
       [40, 41, 42, 43, 44]])

Это обеспечивает удобный способ построения открытой сетки из последовательностей индексов.

Ответ 3

Вы можете использовать np.meshgrid, чтобы дать n1, n2 массивы правильной формы для выполнения нужной индексации:

In [104]: a[np.meshgrid(n1,n2, sparse=True, indexing='ij')]
Out[104]: 
array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [20, 21, 22, 23, 24],
       [30, 31, 32, 33, 34],
       [40, 41, 42, 43, 44]])

Или без meshgrid:

In [117]: a[np.array(n1)[:,np.newaxis], np.array(n2)[np.newaxis,:]]
Out[117]: 
array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [20, 21, 22, 23, 24],
       [30, 31, 32, 33, 34],
       [40, 41, 42, 43, 44]])

Существует аналогичный пример с объяснением того, как эта целая индексация массива работает в документах.

См. также рецепт поваренной книги Выбор строк и столбцов.

Ответ 4

Кажется, что случай использования вашего конкретного вопроса будет касаться манипуляций с изображениями. В той мере, в какой вы используете свой пример для редактирования массивов numpy, возникающих из изображений, вы можете использовать Python Imaging Library (PIL).

# Import Pillow:
from PIL import Image

# Load the original image:
img = Image.open("flowers.jpg")

# Crop the image
img2 = img.crop((0, 0, 5, 5))

Объект img2 представляет собой массив numpy полученного обрезанного изображения.

Подробнее об управлении изображениями вы можете прочитать здесь Пакет подушек (удобная для пользователя вилка на пакете PIL):