numpy.choose

numpy.choose(a, choices, out=None, mode='raise')[source]

Создаёт массив из массива индексов и списка массивов для выбора.

Прежде всего, если вы запутались или не уверены, обязательно обратитесь к примерам – в своей полной общности эта функция менее проста, чем может показаться из следующего описания кода (ниже ndi = numpy.lib.index_tricks):

np.choose(a,c) == np.array([c[a[I]][I] for I in ndi.ndindex(a.shape)]).

Но это опускает некоторые тонкости. Вот полное общее описание:

Даны массив «индексов» (a) целых чисел и последовательность n массивов (choices), a и каждый массив выбора сначала транслируются, если необходимо, в массивы с общей формой; назовём их Ba и Bchoices[i], i = 0,…,n-1, мы имеем, что обязательно Ba.shape == Bchoices[i].shape для каждого i. Затем создаётся новый массив с формой Ba.shape, следующим образом:

• если mode='raise' (значение по умолчанию), то, во-первых, каждый элемент a (и, следовательно, Ba) должен быть в диапазоне [0, n-1]; теперь, предположим, что i (в этом диапазоне) является значением в (j0, j1, ..., jm) позиции в Ba – тогда значение в той же позиции в новом массиве – это значение в Bchoices[i] в той же позиции;
• если mode='wrap', значения в a (и, следовательно, Ba) могут быть любыми (целыми) числами; используется модулярная арифметика для отображения целых чисел за пределами диапазона [0, n-1] обратно в этот диапазон; и затем новый массив создаётся как указано выше;
• если mode='clip', значения в a (и, следовательно, Ba) могут быть любыми (целыми) числами; отрицательные целые числа отображаются на 0; значения, большие, чем n-1 отображаются на n-1; и затем новый массив создаётся как указано выше.

Параметры:

aint массив

Этот массив должен содержать целые числа в [0, n-1], где n — количество выборов, если не mode=wrap или mode=clip, в которых случае допустимы любые целые числа.

choicesпоследовательность массивов

Массивы выбора. a и все варианты должны быть транслируемы до одинаковой формы. Если choices сам по себе является массивом (не рекомендуется), то его внешняя размерность (то есть соответствующая choices.shape[0]) используется для определения «последовательности».

outмассив, необязательно

Если задано, результат будет вставлен в этот массив. Он должен иметь соответствующую форму и тип данных. Обратите внимание, что out всегда буферизован, если mode='raise'; для лучшей производительности используйте другие режимы.

mode{‘raise’ (по умолчанию), ‘wrap’, ‘clip’}, необязательно

Указывает, как будут обрабатываться индексы за пределами [0, n-1]:

• ‘raise’ : генерируется исключение
• ‘wrap’ : значение становится значением mod n
• ‘clip’ : значения < 0 отображаются на 0, значения > n-1 отображаются на n-1

Возвращает:

merged_arrayмассив

Объединённый результат.

Возбуждает:

ValueError: несоответствие форм

Если a и каждый массив выбора не транслируемы до одинаковой формы.

См. также

ndarray.choose

эквивалентный метод

numpy.take_along_axis

Предпочтительнее, если choices является массивом

Замечания

Чтобы уменьшить вероятность неправильного толкования, даже хотя следующее «злоупотребление» номинально поддерживается, choices не должно быть и не должно рассматриваться как один массив, т. е., внешняя последовательность контейнер должна быть либо списком, либо кортежем.

Примеры

>>> choices = [[0, 1, 2, 3], [10, 11, 12, 13],
...   [20, 21, 22, 23], [30, 31, 32, 33]]
>>> np.choose([2, 3, 1, 0], choices
... # the first element of the result will be the first element of the
... # third (2+1) "array" in choices, namely, 20; the second element
... # will be the second element of the fourth (3+1) choice array, i.e.,
... # 31, etc.
... )
array([20, 31, 12,  3])
>>> np.choose([2, 4, 1, 0], choices, mode='clip') # 4 goes to 3 (4-1)
array([20, 31, 12,  3])
>>> # because there are 4 choice arrays
>>> np.choose([2, 4, 1, 0], choices, mode='wrap') # 4 goes to (4 mod 4)
array([20,  1, 12,  3])
>>> # i.e., 0

Несколько примеров, иллюстрирующих трансляцию choose:

>>> a = [[1, 0, 1], [0, 1, 0], [1, 0, 1]]
>>> choices = [-10, 10]
>>> np.choose(a, choices)
array([[ 10, -10,  10],
       [-10,  10, -10],
       [ 10, -10,  10]])

>>> # With thanks to Anne Archibald
>>> a = np.array([0, 1]).reshape((2,1,1))
>>> c1 = np.array([1, 2, 3]).reshape((1,3,1))
>>> c2 = np.array([-1, -2, -3, -4, -5]).reshape((1,1,5))
>>> np.choose(a, (c1, c2)) # result is 2x3x5, res[0,:,:]=c1, res[1,:,:]=c2
array([[[ 1,  1,  1,  1,  1],
        [ 2,  2,  2,  2,  2],
        [ 3,  3,  3,  3,  3]],
       [[-1, -2, -3, -4, -5],
        [-1, -2, -3, -4, -5],
        [-1, -2, -3, -4, -5]]])