Numpy中np.indices函数用法详解

比眉伴天荒 2022-12-28 01:37 98阅读 0赞

np.indices官方文档定义如下:

def indices(dimensions, dtype=int, sparse=False):
        """
        Return an array representing the indices of a grid.
    
        Compute an array where the subarrays contain index values 0, 1, ...
        varying only along the corresponding axis.
    
        Parameters
        ----------
        dimensions : sequence of ints
            The shape of the grid.
        dtype : dtype, optional
            Data type of the result.
        sparse : boolean, optional
            Return a sparse representation of the grid instead of a dense
            representation. Default is False.
    
            .. versionadded:: 1.17
    
        Returns
        -------
        grid : one ndarray or tuple of ndarrays
            If sparse is False:
                Returns one array of grid indices,
                ``grid.shape = (len(dimensions),) + tuple(dimensions)``.
            If sparse is True:
                Returns a tuple of arrays, with
                ``grid[i].shape = (1, ..., 1, dimensions[i], 1, ..., 1)`` with
                dimensions[i] in the ith place

官方文档中的描述较为抽象，简单来说。np.indices的作用就是返回一个给定形状数组的序号网格数组，可以用于提取数组元素或对数组进行切片使用。请看下面的例子：

**实例：**

import numpy as np
    
    
    x = np.arange(20).reshape((5,4))
    dense_grid = np.indices((2,3))                  #返回一个2x3网格序列,密集分布，每个行号和列号一一对应，表示一个位置的元素。
    sparse_grid  = np.indices((2,3),sparse= True)   #返回一个松散排布的2x3网格的行分布和列分布元组,行号和列号不是一一对应，一个行号对应多个列号。
    
    
    print("x:\n",x)
    print("x.shape:",x.shape)
    
    print("================================")
    
    print("dense_grid:\n",dense_grid)
    print("================================")
    print("行序号:\n",dense_grid[0])
    print()
    print("列序号:\n ",dense_grid[1])
    print("\n")
    print("切片效果:\n", x[dense_grid[0],dense_grid[1]])           #等效于x[:2,:3]切片效果
    
    
    
    print("================================")
    print("sparse_grid:\n",sparse_grid)
    print("================================")
    
    print("切片效果: \n",x[sparse_grid])                           #等效于x[:2,:3]切片效果

**运行结果：**  
x:  
 \[\[ 0  1  2  3\]  
 \[ 4  5  6  7\]  
 \[ 8  9 10 11\]  
 \[12 13 14 15\]  
 \[16 17 18 19\]\]  
x.shape: (5, 4)  
================================  
dense\_grid:  \#密集分布，行号和列号一一对应，例如(0,0)位置表示元素0,(1,0)位置表示元素4,以此类推。  
 \[\[\[0 0 0\]  
  \[1 1 1\]\]  
 \[\[0 1 2\]  
  \[0 1 2\]\]\]  
================================  
行序号:  
 \[\[0 0 0\]  
 \[1 1 1\]\]  
列序号:  
  \[\[0 1 2\]  
 \[0 1 2\]\]  
切片效果:          \#利用密集网格实现了对原数组两行三列的一个子数组的截取，等效于x\[:2,:3\]  
 \[\[0 1 2\]  
 \[4 5 6\]\]  
================================  
sparse\_grid:      \#松散分布,元组的第一个参数表示行号，第二个参数表示列号。  
 (array(\[\[0\],  
       \[1\]\]), array(\[\[0, 1, 2\]\]))  
================================  
切片效果:          \#利用松散网格实现了对原数组两行三列的一个子数组的截取，等效于x\[:2,:3\]  
 \[\[0 1 2\]  
 \[4 5 6\]\]

**总结:** np.indices((2,3),sparse= True)返回一个2x3形状的数组的序号网格，设定spare=True时返回的是一个松散分布的行分布和列分布的元组，相反spare=False时返回的是一个行号和列号一一对应序号网格，这个序号网格可以用于实现数组的切片操作。