NumPyマトリックスの行ごとに特定の列を選択するのに苦労しています。
私が呼ぶ次の行列があるとしましょうX：
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
私はまた、list私が呼ぶすべての行ごとに列インデックスのを持っていますY：
[1, 0, 2]
値を取得する必要があります：
[2]
[4]
[9]
listインデックス付きのaの代わりに、すべての列が0〜1の範囲の/であるYのと同じ形状の行列を作成して、これが必須の列であるかどうかを示すこともできます。Xboolint
[0, 1, 0]
[1, 0, 0]
[0, 0, 1]
これは、配列を反復処理し、必要な列値を選択することで実行できることを知っています。ただし、これはデータの大きな配列で頻繁に実行されるため、できるだけ高速に実行する必要があります。
したがって、私はより良い解決策があるかどうか疑問に思いましたか？
回答:
ブール配列がある場合は、次のようにそれに基づいて直接選択を行うことができます。
>>> a = np.array([True, True, True, False, False])
>>> b = np.array([1,2,3,4,5])
>>> b[a]
array([1, 2, 3])
最初の例に沿って進むには、次のようにします。
>>> a = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> b = np.array([[False,True,False],[True,False,False],[False,False,True]])
>>> a[b]
array([2, 4, 9])
arangeブール配列を生成する方法やコードがYMMVのように見えるかどうかにもよりますが、を追加して直接選択することもできます。
>>> a = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> a[np.arange(len(a)), [1,0,2]]
array([2, 4, 9])
お役に立てば幸いです。他にご不明な点がありましたらお知らせください。
arange。これは、複数のマトリックスから異なるブロックを取得する場合に特に役立ちました（したがって、基本的にこの例の3Dの場合）
arange代わりに使用する必要がある理由を説明できます:か？私はあなたのやり方がうまくいくことを知っていますが、私のやり方はうまくいきませんが、その理由を理解したいと思います。
:構文は同じようには機能しません。
:、高度なインデックス付けと混合すると、「に沿ったすべてのサブスペース:に対して、指定された高度なインデックス付けを適用する」という意味になります。私の理解は正しいですか？
あなたはこのようなことをすることができます：
In [7]: a = np.array([[1, 2, 3],
...: [4, 5, 6],
...: [7, 8, 9]])
In [8]: lst = [1, 0, 2]
In [9]: a[np.arange(len(a)), lst]
Out[9]: array([2, 4, 9])
多次元配列のインデックス作成の詳細：http：//docs.scipy.org/doc/numpy/user/basics.indexing.html#indexing-multi-dimensional-arrays
:するlen(a)と、結果が複数回出力されます。代わりに、各行のインデックスが予想される結果を出力することを示します。
簡単な方法は次のようになります。
In [1]: a = np.array([[1, 2, 3],
...: [4, 5, 6],
...: [7, 8, 9]])
In [2]: y = [1, 0, 2] #list of indices we want to select from matrix 'a'
range(a.shape[0]) 戻ります array([0, 1, 2])
In [3]: a[range(a.shape[0]), y] #we're selecting y indices from every row
Out[3]: array([2, 4, 9])
最近のnumpyバージョンでは、このインデックス作成をクリーンに行うtake_along_axis（およびput_along_axis）が追加されています。
In [101]: a = np.arange(1,10).reshape(3,3)
In [102]: b = np.array([1,0,2])
In [103]: np.take_along_axis(a, b[:,None], axis=1)
Out[103]:
array([[2],
[4],
[9]])
次のように動作します。
In [104]: a[np.arange(3), b]
Out[104]: array([2, 4, 9])
ただし、軸の処理は異なります。これは、特に結果を適用を目指していますargsortとargmax。
イテレータを使用してそれを行うことができます。このような：
np.fromiter((row[index] for row, index in zip(X, Y)), dtype=int)
時間：
N = 1000
X = np.zeros(shape=(N, N))
Y = np.arange(N)
#@Aशwini चhaudhary
%timeit X[np.arange(len(X)), Y]
10000 loops, best of 3: 30.7 us per loop
#mine
%timeit np.fromiter((row[index] for row, index in zip(X, Y)), dtype=int)
1000 loops, best of 3: 1.15 ms per loop
#mine
%timeit np.diag(X.T[Y])
10 loops, best of 3: 20.8 ms per loop
np.diag(X.T[Y])とても遅いです...しかしnp.diag(X.T)とても速いです（10us）。理由はわかりません。
もう1つの賢い方法は、最初に配列を転置し、その後インデックスを付けることです。最後に、対角線を取ります。常に正しい答えです。
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
Y = np.array([1, 0, 2, 2])
np.diag(X.T[Y])
ステップバイステップ：
元の配列：
>>> X
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> Y
array([1, 0, 2, 2])
正しくインデックスを付けることができるように転置します。
>>> X.T
array([[ 1, 4, 7, 10],
[ 2, 5, 8, 11],
[ 3, 6, 9, 12]])
Y順に行を取得します。
>>> X.T[Y]
array([[ 2, 5, 8, 11],
[ 1, 4, 7, 10],
[ 3, 6, 9, 12],
[ 3, 6, 9, 12]])
これで対角線が明確になります。
>>> np.diag(X.T[Y])
array([ 2, 4, 9, 12]