Saya menggunakan numpy dan ingin mengindeks baris tanpa kehilangan informasi dimensi.
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10,:]
xslice.shape # >> (10,)
Dalam contoh ini xslice sekarang menjadi 1 dimensi, tetapi saya menginginkannya menjadi (1,10). Di R, saya akan menggunakan X [10,:, drop = F]. Apa ada yang mirip di numpy. Saya tidak dapat menemukannya di dokumentasi dan tidak melihat pertanyaan serupa yang diajukan.
Terima kasih!
Jawaban:
Mungkin paling mudah untuk dilakukan x[None, 10, :]atau setara (tetapi lebih mudah dibaca) x[np.newaxis, 10, :].
Sejauh mengapa itu bukan default, secara pribadi, saya menemukan bahwa terus-menerus memiliki array dengan dimensi tunggal menjadi sangat cepat mengganggu. Kurasa para developer numpy merasakan hal yang sama.
Juga, numpy menangani array penyiaran dengan sangat baik, jadi biasanya ada sedikit alasan untuk mempertahankan dimensi dari array asal potongan. Jika ya, maka hal-hal seperti:
a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b
tidak akan berhasil atau akan jauh lebih sulit untuk diterapkan.
(Atau setidaknya itulah tebakan saya pada alasan dev yang numpy di balik menjatuhkan info dimensi saat mengiris)
Nones Anda di samping redup yang Anda potong.
b; seharusnya begitu b = np.zeros((100,10)).
X[10,None](menggunakan kode Anda sebagai contoh).
np.matmul()atau@ ). Baru saja terbakar oleh ini.
Solusi lain adalah melakukannya
X[[10],:]
atau
I = array([10])
X[I,:]
Dimensi array dipertahankan saat pengindeksan dilakukan oleh daftar (atau array) indeks. Ini bagus karena memberi Anda pilihan antara menjaga dimensi dan menekan.
x = np.array([[1,2,3,4]]) jika Anda kemudian mengirisnya dengan x[[0],[1,2]] Anda mendapatkan satu dimensi array([2, 3]) Pendapat saya adalah ketika memilih vektor kolom atau baris yang terbaik adalah membuat potongannya sederhana dan kemudian menggunakan np.reshape, Jadi dalam contoh saya itu adalahnp.reshape(x[0,[1,2]],[1,2])
X[[10]]akan diartikan sebagai X[10]dan bentuk akan lebih kecil; serupa, X[[10, 20]] == X[10, 20]dan bentuknya bahkan lebih kecil
abentuk (10, 20, 30), maka a[0, :, [0]]akan memiliki bentuk (1, 20), bukan (20, 1), karena di indeks terakhir disiarkan a[[0], :, [0]]yang sering tidak seperti yang Anda harapkan! Padahal a[0, :, :1]akan memberi Anda (20, 1)seperti yang diharapkan. Selain itu, lihat komentar di atas untuk kasus tepi aneh dengan indeks tunggal. Secara keseluruhan, sepertinya metode ini memiliki terlalu banyak kasus tepi.
Saya menemukan beberapa solusi yang masuk akal.
1) gunakan numpy.take(X,[10],0)
2) gunakan pengindeksan aneh ini X[10:11:, :]
Idealnya, ini harus menjadi default. Saya tidak pernah mengerti mengapa dimensi pernah dijatuhkan. Tapi itu pembahasan untuk numpy ...
alist[0]dan disimpan saat memotongnya.
slice(n, n+1)untuk mengekstraksi indeks n) harus menjadi jawaban yang diterima, karena ini adalah satu-satunya yang meluas secara alami ke kasus dimensi-n.
X[10:11, :]dalam Python 3.7.5 (yaitu tanpa titik dua tambahan setelah 11)
Inilah alternatif yang saya lebih suka. Alih-alih mengindeks dengan satu nomor, buat indeks dengan rentang. Artinya, gunakan X[10:11,:]. (Perhatikan bahwa 10:11tidak termasuk 11).
import numpy as np
X = np.zeros((100,10))
X.shape # >> (100, 10)
xslice = X[10:11,:]
xslice.shape # >> (1,10)
Ini membuatnya mudah untuk dipahami dengan lebih banyak dimensi juga, tidak ada Nonejuggling dan mencari tahu sumbu mana untuk menggunakan indeks mana. Juga tidak perlu melakukan pembukuan tambahan terkait ukuran array, hanya i:i+1untuk semua iyang akan Anda gunakan dalam pengindeksan biasa.
b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape # >> (1, 3, 4)
b[:, 2:3, :].shape . # >> (2, 1, 4)
Untuk menambah solusi yang melibatkan pengindeksan berdasarkan daftar atau larik oleh gnebehay, juga memungkinkan untuk menggunakan tupel:
X[(10,),:]
x[None, 10]akan melakukan apa yang kamu inginkan.