Numpy - slicing 2d row o column vector from array

Question

Sto cercando di trovare un piccolo trucco per tagliare una riga/colonna da un array 2d e ottenere un array di (col_size x 1) o (1 x row_size).

C'è un modo più semplice di utilizzare numpy.reshape() dopo ogni taglio?

Cheers, Stephan

Answer 1

È possibile tagliare e inserire un nuovo asse in una sola operazione. Ad esempio, ecco una matrice 2D:

>>> a = np.arange(1, 7).reshape(2, 3) 
>>> a 
array([[1, 2, 3], 
     [4, 5, 6]]) 

di affettare un singolo colonna (ritornando array di forma (2, 1)), fetta con None come terza dimensione:

>>> a[:, 1, None] 
array([[2], 
     [5]]) 

di affettare un singola fila (ritornando array di forma (1, 3)), affettare con None come seconda dimensione:

>>> a[0, None, :] 
array([[1, 2, 3]]) 

Answer 2

rendere l'indice una fetta, lista o un array

X[[0],:] 
    X[0:1,4] 

Ma non c'è niente di sbagliato con reshape a parte il fatto che essa richiede la digitazione. Non è lento. [None,:] è una bella mano corta per questo.

L'utilizzo di un indice di elenco può essere più breve, ma lo fa produrre una copia (una più o meno?) Ed è più lento

Per array di (100,100) intero:

In [487]: timeit x[[50],:] 
100000 loops, best of 3: 10.3 µs per loop # slowest 

In [488]: timeit x[50:51,:] 
100000 loops, best of 3: 2.24 µs per loop # slice indexing is fast 

In [489]: timeit x[50,:].reshape(1,-1) 
100000 loops, best of 3: 3.29 µs per loop # minimal time penalty 

In [490]: timeit x[50,:][None,:] 
100000 loops, best of 3: 3.55 µs per loop 

In [543]: timeit x[None,50,:]   # **best** 
1000000 loops, best of 3: 1.76 µs per loop 

Un test per la copia è quello di confrontare il puntatore del buffer di dati con l'originale.

In [492]: x.__array_interface__['data'] 
Out[492]: (175920456, False) 
In [493]: x[50,:].__array_interface__['data'] 
Out[493]: (175940456, False) 
In [494]: x[[50],:].__array_interface__['data'] 
Out[494]: (175871672, False) # different pointer 
In [495]: x[50:51,:].__array_interface__['data'] 
Out[495]: (175940456, False) 
In [496]: x[50,:][None,:].__array_interface__['data'] 
Out[496]: (175940456, False) 

Answer 3

Che ne dici di questo modo semplice e piacevole?

In [73]: arr = (np.arange(5, 25)).reshape(5, 4) 

In [74]: arr 
Out[74]: 
array([[ 5, 6, 7, 8], 
     [ 9, 10, 11, 12], 
     [13, 14, 15, 16], 
     [17, 18, 19, 20], 
     [21, 22, 23, 24]]) 

# extract column 1 as a column vector 
In [79]: col1 = arr[:, [0]] 
In [80]: col1.shape 
Out[80]: (5, 1) 

In [81]: col1 
Out[81]: 
array([[ 5], 
     [ 9], 
     [13], 
     [17], 
     [21]]) 


# extract row 1 as a row vector 
In [82]: row1 = arr[[0], :] 

In [83]: row1.shape 
Out[83]: (1, 4) 

In [84]: row1 
Out[84]: array([[5, 6, 7, 8]])