首页 文章

如何使用高级布尔索引在numpy中分配值？

提问于
浏览 次
2

我正在尝试使用布尔索引将一维输出广播到三维数组 . 我有一个我想分配的数组：

output_array = np.zeros((2,4,3))

然后我用来做索引的一些布尔数组：

dim0_bool = np.array([True, True])
dim0_dim1_bool = np.array([[True, True, True, False],
                           [False, True, True, True]])
dim0_dim2_bool = np.array([[True, True, False],
                           [False, True, True]])

从这些我可以构造一个三维布尔索引数组，并使用它为输出数组赋值：

output_array_idx = np.einsum('i, ij, ik -> ijk',
                            dim0_bool,
                            dim0_dim1_bool, 
                            dim0_dim2_bool)
output_array[output_array_idx] = 1.0

一切正常，并给出预期的输出：

array([[[1., 1., 0.],
        [1., 1., 0.],
        [1., 1., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 1., 1.],
        [0., 1., 1.],
        [0., 1., 1.]]])

我不确定这是多么可行）是将一维数组广播到 output_array 的索引元素 . 例如：

dim2_output = np.array([1.0, 2.0])

然后：

output_array[output_array_idx] = dim2_output

这将理想地给：

array([[[1., 2., 0.],
        [1., 2., 0.],
        [1., 2., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 1., 2.],
        [0., 1., 2.],
        [0., 1., 2.]]])

这不能正常工作，因为 output_array_idx 将 output_array 索引将其缩减为一维数组，因此我无法为其分配 dim2_output （这是一维的，但是长度不同） .

希望明确和任何帮助（或关于如何更好地接近的建议）非常感谢 .

python-3.x numpy numpy-broadcasting

2 回答

  • 1

    这是一个非常肮脏的方法 . 您可以将 output_array 设置为包含 dim2_output 的索引 . 缺点是 output_array 不再符合它的名字，你需要制作两个副本 - 一个用于索引，一个用于结果 .

    策略是初始化 nans 数组，根据你的布尔掩码填充一个，然后使用 np.nancumsum 来恢复索引 .

    import numpy as np

# init output array with nans instead of zeros
output_array = np.full((2, 4, 3), np.nan)

dim0_bool = np.array([True, True])
dim0_dim1_bool = np.array([[True, True, True, False], [False, True, True, True]])
dim0_dim2_bool = np.array([[True, True, False], [False, True, True]])


output_array_idx = np.einsum(
    "i, ij, ik -> ijk", dim0_bool, dim0_dim1_bool, dim0_dim2_bool
)

# make the output array contain indices for dim2_output
output_array[output_array_idx] = 1
output_array = (np.nancumsum(output_array, -1) - 1) * output_array
output_array[np.isnan(output_array)] = -1

# append to work with index manipulations 0
dim2_output = np.array([1.0, 2.0, 0])

result = dim2_output[output_array.astype(np.int)]


# array([[[1., 2., 0.],
# [1., 2., 0.],
# [1., 2., 0.],
# [0., 0., 0.]],

# [[0., 0., 0.],
# [0., 1., 2.],
# [0., 1., 2.],
# [0., 1., 2.]]])
    回复于
  • 1

    您可以构造一个匹配大小的 [1,2,1,2,...] 数组 .

    np.resize 执行正确的复制：

    In [741]: np.resize([1,2],12)
Out[741]: array([1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2])

    或 repeat ：

    In [744]: np.array([[1,2]]).repeat(6,axis=0).ravel()
Out[744]: array([1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2])
    回复于

相关问题