numpy.take_along_axis#

numpy.take_along_axis(arr, indices, axis=-1)[源代码]#

通过匹配一维索引和数据切片，从输入数组中取值。

此函数沿指定的轴，在索引数组和数据数组中迭代匹配的一维切片，并使用前者在后者中查找值。这些切片的长度可以不同。

返回沿轴的索引的函数，例如 argsort 和 argpartition，会生成适用于此函数的索引。

参数:
arrndarray (Ni…, M, Nk…)

源数组

indicesndarray (Ni…, J, Nk…)

沿 arr 的每个一维切片要取的索引。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 或 None，可选

沿其取一维切片的轴。如果 axis 为 None，则输入数组将被视为首先被展平为一维，以与 sort 和 argsort 保持一致。

版本 2.3 中的更改：默认值现在是 -1。

返回:
out: ndarray (Ni…, J, Nk…)

索引后的结果。

另请参阅

take

沿轴取值，对每个一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，将值放入目标数组中

备注

这等效于（但更快于）以下对 ndindex 和 s_ 的使用，它将 ii 和 kk 各自设置为一个索引元组

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，如果消除内部循环，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]])

我们可以直接使用 sort 进行排序，或者使用 argsort 和此函数进行排序

>>> 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 也同样适用，只要你使用 keepdims 保持平凡维度

>>> 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，我们可以首先堆叠索引

>>> 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]])
在此页面上