从numpy的阵列中选择多个切片在一次从numpy的阵列中选择多个切片在一次(Selecting m

我正在寻找一种方式，即可一次选择从numpy的阵列多个切片。 说，我们有一个一维数据阵列和要提取的其三个部分象下面这样：

data_extractions = []

for start_index in range(0, 3):
    data_extractions.append(data[start_index: start_index + 5])

此后data_extractions将是：

data_extractions = [
    data[0:5],
    data[1:6],
    data[2:7]
]

有没有什么办法没有执行上述操作的循环？ 某种索引方案的numpy的，将让我从一个阵列中选择多个片段，并返回它们的许多阵列，说在N + 1个维数组？

---

我想也许我可以复制我的数据，然后选择从各行的跨度，但下面的代码抛出一个IndexError

replicated_data = np.vstack([data] * 3)
data_extractions = replicated_data[[range(3)], [slice(0, 5), slice(1, 6), slice(2, 7)]

Answer 1:

您可以使用索引来选择您所需的行成合适的形状。 例如：

 data = np.random.normal(size=(100,2,2,2))

 # Creating an array of row-indexes
 indexes = np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
 # data[indexes] will return an element of shape (3,5,2,2,2). Converting
 # to list happens along axis 0
 data_extractions = list(data[indexes])

 np.all(data_extractions[1] == s[1:6])
 True

Answer 2:

在这篇文章中是与一种方法strided-indexing scheme使用np.lib.stride_tricks.as_strided ，基本上创建视图到输入阵列，因此是用于创建相当有效且为视图占用曲子的内存空间。 此外，该工程与尺寸的通用号码ndarrays。

这里的实施 -

def strided_axis0(a, L):
    # Store the shape and strides info
    shp = a.shape
    s  = a.strides

    # Compute length of output array along the first axis
    nd0 = shp[0]-L+1

    # Setup shape and strides for use with np.lib.stride_tricks.as_strided
    # and get (n+1) dim output array
    shp_in = (nd0,L)+shp[1:]
    strd_in = (s[0],) + s
    return np.lib.stride_tricks.as_strided(a, shape=shp_in, strides=strd_in)

对于样品运行4D阵列的情况下-

In [44]: a = np.random.randint(11,99,(10,4,2,3)) # Array

In [45]: L = 5      # Window length along the first axis

In [46]: out = strided_axis0(a, L)

In [47]: np.allclose(a[0:L], out[0])  # Verify outputs
Out[47]: True

In [48]: np.allclose(a[1:L+1], out[1])
Out[48]: True

In [49]: np.allclose(a[2:L+2], out[2])
Out[49]: True

Answer 3:

stride_tricks能做到这一点

a = np.arange(10)
b = np.lib.stride_tricks.as_strided(a, (3, 5), 2 * a.strides)
b
# array([[0, 1, 2, 3, 4],
#        [1, 2, 3, 4, 5],
#        [2, 3, 4, 5, 6]])

请注意， b引用相同的存储器中作为a ，多次实际上（例如b[0, 1]和b[1, 0]是相同的存储器地址）。 因此，它是最安全的新结构的工作之前进行复制。

ND可以以类似的方式来完成，例如2D - > 4D

a = np.arange(16).reshape(4, 4)
b = np.lib.stride_tricks.as_strided(a, (3,3,2,2), 2*a.strides)
b.reshape(9,2,2) # this forces a copy
# array([[[ 0,  1],
#         [ 4,  5]],

#        [[ 1,  2],
#         [ 5,  6]],

#        [[ 2,  3],
#         [ 6,  7]],

#        [[ 4,  5],
#         [ 8,  9]],

#        [[ 5,  6],
#         [ 9, 10]],

#        [[ 6,  7],
#         [10, 11]],

#        [[ 8,  9],
#         [12, 13]],

#        [[ 9, 10],
#         [13, 14]],

#        [[10, 11],
#         [14, 15]]])

Answer 4:

你可以用事先准备好的切片阵列切片的阵列

a = np.array(list('abcdefg'))

b = np.array([
        [0, 1, 2, 3, 4],
        [1, 2, 3, 4, 5],
        [2, 3, 4, 5, 6]
    ])

a[b]

然而， b不必用手以这种方式产生的。 它可以与更多动态

b = np.arange(5) + np.arange(3)[:, None]

Answer 5:

在一般情况下，你必须做一些重复的 - 和串联 - 无论是构建索引或收集结果时的时候。 只有当切片模式本身是正规，你可以通过使用一个通用切片as_strided 。

接受的答案构建一个索引数组，每个切片一行。 所以这是遍历片， arange本身是一个（快）迭代。 而np.array连接它们的新轴（ np.stack推广了这一点）。

In [264]: np.array([np.arange(0,5), np.arange(1,6), np.arange(2,7)])
Out[264]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

indexing_tricks方便的方法做同样的事情：

In [265]: np.r_[0:5, 1:6, 2:7]
Out[265]: array([0, 1, 2, 3, 4, 1, 2, 3, 4, 5, 2, 3, 4, 5, 6])

这需要切片符号，以扩大其arange并连接。 它甚至让我扩大并连接成2D

In [269]: np.r_['0,2',0:5, 1:6, 2:7]
Out[269]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6]])

In [270]: data=np.array(list('abcdefghijk'))
In [272]: data[np.r_['0,2',0:5, 1:6, 2:7]]
Out[272]: 
array([['a', 'b', 'c', 'd', 'e'],
       ['b', 'c', 'd', 'e', 'f'],
       ['c', 'd', 'e', 'f', 'g']], 
      dtype='<U1')
In [273]: data[np.r_[0:5, 1:6, 2:7]]
Out[273]: 
array(['a', 'b', 'c', 'd', 'e', 'b', 'c', 'd', 'e', 'f', 'c', 'd', 'e',
       'f', 'g'], 
      dtype='<U1')

拼接后的结果，编制索引还有效。

In [274]: np.stack([data[0:5],data[1:6],data[2:7]])

从其他SO问题，我的内存是相对时间是在大小相同的顺序。 它可以例如与切片与它们的长度的数目而变化。 整体必须被从源复制到目标将是相同的值的数目。

如果切片，长短不一，你必须使用平面索引。

Answer 6:

我们可以使用列表理解这个

data=np.array([1,2,3,4,5,6,7,8,9,10])
data_extractions=[data[b:b+5] for b in [1,2,3,4,5]]
data_extractions

结果

[array([2, 3, 4, 5, 6]), array([3, 4, 5, 6, 7]), array([4, 5, 6, 7, 8]), array([5, 6, 7, 8, 9]), array([ 6,  7,  8,  9, 10])]

文章来源: Selecting multiple slices from a numpy array at once