numpy.take_along_axis

麻木的。take_along_axis ( arr ,索引,轴)

通过匹配一维索引和数据切片从输入数组中获取值。

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，并使用前者查找后者中的值。这些切片可以有不同的长度。

沿轴返回索引的函数（例如argsort和 argpartition）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…)

源数组

索引ndarray (Ni…, J, Nk…)

arr的每个 1d 切片的索引。这必须与 arr 的维度匹配，但维度 Ni 和 Nj 只需要针对arr进行广播。

轴整数

沿 1d 切片的轴。如果 axis 为 None，则输入数组将被视为首先被展平为 1d，以与 sort和保持一致argsort。

返回：

输出：ndarray（Ni…，J，Nk…）

索引结果。

也可以看看

take

沿着轴，对每个 1d 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

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
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]]

同样，消除内部循环，最后两行将是：

out_1d[:] = a_1d[indices_1d]

例子

对于这个样本数组

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

我们可以直接使用 sort 进行排序，也可以使用 argsort 和这个函数进行排序

>>> 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]])

如果您使用以下方法维护平凡维度，则对于 max 和 min 也同样适用keepdims：

>>> 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]])

如果我们想同时获得最大值和最小值，我们可以先将索引堆叠起来

>>> 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]])