Extraction d'éléments d'un tableau 2D utilisant des indices d'un autre tableau

dans Numpy, il devient parfois nécessaire d'extraire des éléments spécifiques d'un tableau multidimensionnel basé sur des indices stockés dans un autre arrette. Ce scénario survient souvent lorsque vous travaillez avec des structures de données telles que des matrices clairsemées ou des sélections indexées.

Problème:

Considérez deux tableaux de numpy:

A = np.array([[0, 1], [2, 3], [4, 5]])
B = np.array([[1], [0], [1]])  # Index array

Le but est d'extraire un élément de chaque ligne de A, où l'élément spécifique est spécifié par l'index dans la ligne correspondante de B. La sortie attendue doit être:

C = np.array([[1], [2], [5]])

Solutions:

1. Indexage du tableau purement entier:

A[np.arange(A.shape[0]), B.ravel()]

Cette méthode implique l'utilisation de capacités d'indexation du tableau entier de Numpy. Il génère une gamme d'indices correspondant aux lignes de A et le combine avec le tableau B aplati pour sélectionner les éléments appropriés.

2. Transpose et np.choose:

np.choose(B.ravel(), A.T)

Dans cette approche alternative, vous transposez un pour correspondre à la forme de B puis utilisez np.choose pour sélectionner les éléments souhaités basés sur la bradlate brade. Itérable déballage (python> = 3.6):

* a = a.t C = np.array ( [i] pour i dans b.ravel ())

*A = A.T
C = np.array([*zip(*A)][i] for i in B.ravel())

[a [i] [j] pour i, j dans zip (range (a.shape [0]), b.ravel ())]

Liste des compréhensions de l'élément sélection.

*A = A.T
C = np.array([*zip(*A)][i] for i in B.ravel())

a [np.stack ([plage (a.shape [0]), b.ravel ()], axe = 1)]

indexation sophistiquée permet des opérations d'indexation plus efficaces et compactes. Dans ce cas, il crée un tableau 2D avec les indices de ligne et les indices B, qui peuvent être utilisés pour sélectionner les éléments souhaités à partir d'un. La solution la plus appropriée dépend des exigences et des contraintes spécifiques de la tâche, telles que l'efficacité, la lisibilité et la compatibilité avec les versions plus anciennes de Numpy.