numpy.take_along_axis#

numpy.take_along_axis(arr, indices, axis)[源代码]#

通过匹配一维索引和数据切片从输入数组中取值.

这会遍历索引和数据数组中沿指定轴方向匹配的1维切片,并使用前者在后者中查找值.这些切片可以有不同的长度.

像 argsort 和 argpartition 这样返回沿轴索引的函数,为这个函数生成合适的索引.

在 1.15.0 版本加入.

参数:
arrndarray (Ni…, M, Nk…)

源数组

indicesndarray (Ni…, J, Nk…)

沿 arr 每个一维切片的索引.这必须与 arr 的维度匹配,但维度 Ni 和 Nj 只需要与 arr 进行广播.

axisint

要沿其进行1d切片的方向.如果axis为None,则输入数组被视为首先被展平为1d,以与`sort`和`argsort`保持一致.

返回:
out: ndarray (Ni…, J, Nk…)

索引结果.

参见

take

沿轴进行操作,对每个1维切片使用相同的索引

put_along_axis

通过匹配一维索引和数据切片将值放入目标数组

备注

这相当于（但比以下使用 ndindex 和 s_ 更快）,后者将 ii 和 kk 分别设置为索引元组:

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]]

等效地,消除内部循环,最后两行将是:

out_1d[:] = a_1d[indices_1d]

示例

>>> import numpy as np

对于这个示例数组

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

我们可以通过直接使用排序,或者使用 argsort 和这个函数来进行排序.

>>> 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]])

对于 max 和 min 也是同样的工作原理,如果你使用 keepdims 保持平凡的维度:

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

如果我们想同时获取最大值和最小值,我们可以先堆叠索引

>>> ai_min = np.argmin(a, axis=1, keepdims=True)
>>> ai_max = np.argmax(a, axis=1, keepdims=True)
>>> 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]])
On this page