numpy . 索引#

麻木的。索引(维度, dtype=<class 'int'> ,稀疏=False ) [来源] #

返回一个表示网格索引的数组。

计算一个数组,其中子数组包含仅沿相应轴变化的索引值 0、1、...。

参数
整数的维度序列

网格的形状。

数据类型数据类型,可选

结果的数据类型。

稀疏布尔值,可选

返回网格的稀疏表示而不是密集表示。默认值为 False。

1.17 版本中的新增功能。

返回
对一个 ndarray 或 ndarray 元组进行网格化
如果稀疏为 False:

返回一组网格索引, 。grid.shape = (len(dimensions),) + tuple(dimensions)

如果稀疏为 True:

返回一个数组元组,其中 dimensions[i]位于第i个位置grid[i].shape = (1, ..., 1, dimensions[i], 1, ..., 1)

也可以看看

mgrid, ogrid,meshgrid

笔记

密集情况下的输出形状是通过在维度元组前面添加维度数来获得的,即如果维度是长度为 的 元组,则输出形状为 。(r0, ..., rN-1)N(N, r0, ..., rN-1)

子数组grid[k]包含沿轴索引的 ND 数组 k-th。明确地:

grid[k, i0, i1, ..., iN-1] = ik

例子

>>> grid = np.indices((2, 3))
>>> grid.shape
(2, 2, 3)
>>> grid[0]        # row indices
array([[0, 0, 0],
       [1, 1, 1]])
>>> grid[1]        # column indices
array([[0, 1, 2],
       [0, 1, 2]])

索引可以用作数组的索引。

>>> x = np.arange(20).reshape(5, 4)
>>> row, col = np.indices((2, 3))
>>> x[row, col]
array([[0, 1, 2],
       [4, 5, 6]])

请注意,在上面的示例中,直接使用 提取所需元素会更直接。x[:2, :3]

如果稀疏设置为 true,则网格将以稀疏表示形式返回。

>>> i, j = np.indices((2, 3), sparse=True)
>>> i.shape
(2, 1)
>>> j.shape
(1, 3)
>>> i        # row indices
array([[0],
       [1]])
>>> j        # column indices
array([[0, 1, 2]])