numpy.put_along_axis #

麻木的。put_along_axis ( arr ,索引,,) [来源] #

通过匹配一维索引和数据切片将值放入目标数组中。

这会迭代索引和数据数组中沿指定轴定向的匹配一维切片,并使用前者将值放入后者中。这些切片可以有不同的长度。

沿轴返回索引的函数(例如argsortargpartition)会为此函数生成合适的索引。

1.15.0 版本中的新增功能。

参数
arr ndarray (Ni…, M, Nk…)

目标数组。

索引ndarray (Ni…, J, Nk…)

沿着arr的每个 1d 切片更改的索引。这必须与 arr 的维度匹配,但 Ni 和 Nj 中的维度可以为 1 以针对arr进行广播。

array_like (Ni…, J, Nk…)

要在这些索引处插入的值。它的形状和尺寸被广播以匹配 的形状和尺寸indices

整数

沿 1d 切片的轴。如果 axis 为 None,则将目标数组视为已为其创建了展平的一维视图。

也可以看看

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

笔记

这相当于(但比)以下使用ndindexand 更快s_,它将每个ii和设置kk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]

同样,消除内部循环,最后两行将是:

a_1d[indices_1d] = values_1d

例子

对于这个样本数组

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

我们可以将最大值替换为:

>>> 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]])