numpy.take_along_axis

numpy.take_along_axis(arr, indices, axis) [source]

Получение значений из входного массива по соответствию 1d индексов и срезов данных.

Эта функция итерируется по совпадающим 1d срезам, ориентированным вдоль указанной оси в массивах индексов и данных, и использует первые для поиска значений во вторых. Эти срезы могут иметь разную длину.

Функции, возвращающие индекс вдоль оси, такие как argsort и argpartition, производят подходящие индексы для этой функции.

Новая в версии 1.15.0.

Параметры

arr: ndarray (Ni…, M, Nk…)

Исходный массив

indices: ndarray (Ni…, J, Nk…)

Индексы для извлечения вдоль каждого 1d среза arr. Они должны соответствовать размерности arr, но размерности Ni и Nj требуется только для трансляции относительно arr.

axis: int

Ось для извлечения 1d срезов. Если axis равно None, входной массив обрабатывается как если бы он был сначала сжат в 1d, для согласованности с sort и argsort.

Возвращает

out: ndarray (Ni…, J, Nk…)

Результат с индексацией.

См. также

take

Получение вдоль оси, используя одни и те же индексы для каждого 1d среза

put_along_axis

Установка значений в целевой массив по соответствию 1d индексов и срезов данных

Примечания

Это эквивалентно (но быстрее), чем следующее использование ndindex и s_, что устанавливает каждый из ii и kk в кортеж индексов:

Ni, M, Nk = a.shape[:axis], a.shape[axis], a.shape[axis+1:]
J = indices.shape[axis]  # Need not equal M
out = np.empty(Ni + (J,) + Nk)

for ii in ndindex(Ni):
    for kk in ndindex(Nk):
        a_1d       = a      [ii + s_[:,] + kk]
        indices_1d = indices[ii + s_[:,] + kk]
        out_1d     = out    [ii + s_[:,] + kk]
        for j in range(J):
            out_1d[j] = a_1d[indices_1d[j]]

Аналогично, исключая внутренний цикл, последние две строки будут:

out_1d[:] = a_1d[indices_1d]

Примеры

Для этого примера массива

>>> a = np.array([[10, 30, 20], [60, 40, 50]])

Мы можем отсортировать, используя либо непосредственное сортирование, либо argsort и эту функцию

>>> np.sort(a, axis=1)
array([[10, 20, 30],
       [40, 50, 60]])
>>> ai = np.argsort(a, axis=1); ai
array([[0, 2, 1],
       [1, 2, 0]])
>>> np.take_along_axis(a, ai, axis=1)
array([[10, 20, 30],
       [40, 50, 60]])

То же самое работает для max и min, если вы расширите размерности:

>>> np.expand_dims(np.max(a, axis=1), axis=1)
array([[30],
       [60]])
>>> ai = np.expand_dims(np.argmax(a, axis=1), axis=1)
>>> ai
array([[1],
       [0]])
>>> np.take_along_axis(a, ai, axis=1)
array([[30],
       [60]])

Если мы хотим получить max и min одновременно, мы можем сначала расположить индексы:

>>> ai_min = np.expand_dims(np.argmin(a, axis=1), axis=1)
>>> ai_max = np.expand_dims(np.argmax(a, axis=1), axis=1)
>>> ai = np.concatenate([ai_min, ai_max], axis=1)
>>> ai
array([[0, 1],
       [1, 0]])
>>> np.take_along_axis(a, ai, axis=1)
array([[10, 30],
       [40, 60]])