numpy.put_along_axis#

numpy.put_along_axis(arr, indices, values, axis)[源代码]#

通过匹配一维索引和数据切片将值放入目标数组。

此函数会迭代索引数组和数据数组中沿指定轴对齐的匹配一维切片，并使用前者在后者中放置值。这些切片可以具有不同的长度。

返回沿轴索引的函数，例如 argsort 和 argpartition，可以为该函数生成合适的索引。

参数:
arrndarray (Ni…, M, Nk…)

目标数组。

indicesndarray (Ni…, J, Nk…)

arr 的每个一维切片上的更改索引。此参数必须与 arr 的维度匹配，但 Ni 和 Nj 中的维度可以为 1 以便对 arr 进行广播。

valuesarray_like (Ni…, J, Nk…)

要插入到这些索引的值。其形状和维度会广播以匹配 indices。

axisint

沿哪个轴获取一维切片。如果 axis 为 None，则目标数组将被视为已创建了其扁平化的一维视图。

另请参阅

take_along_axis

通过匹配一维索引和数据切片从输入数组中获取值

备注

这等效于（但比）以下使用 ndindex 和 s_ 的方法，它将 ii 和 kk 的每个都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

for ii in ndindex(Ni):
    for kk in ndindex(Nk):
        a_1d       = a      [ii + s_[:,] + kk]
        indices_1d = indices[ii + s_[:,] + kk]
        values_1d  = values [ii + s_[:,] + kk]
        for j in range(J):
            a_1d[indices_1d[j]] = values_1d[j]

等效地，消除了内部循环，最后两行将是

a_1d[indices_1d] = values_1d

示例

>>> import numpy as np

对于这个示例数组

>>> a = np.array([[10, 30, 20], [60, 40, 50]])

我们可以用以下值替换最大值

>>> ai = np.argmax(a, axis=1, keepdims=True)
>>> ai
array([[1],
       [0]])
>>> np.put_along_axis(a, ai, 99, axis=1)
>>> a
array([[10, 99, 20],
       [99, 40, 50]])
在此页面