数字旗手

电气化、自动化、数字化、智能化、智慧化

0%

Numpy的广播Broadcasting和奇妙索引Fancy Indexing

参考文献:
Computation on Arrays: Broadcasting
Indexing

本文就是对上面两篇参考文献的翻译理解。

广播Broadcasting

广播的原则:
(1)如果两个数组的形状不同,那么形状小的那个数组填充成另一个数组的形状(注意是用形状1来向左填充,具体见下方示例)。
(2)如果两个数组的形状相同,但某一维度上数目不匹配,那么在这一维度上形状为1的数组扩展成另一个数组的形状。
(3)如果两个数组的形状相同,在某一维度上数目不匹配,但在这一维度上形状都不为1,那么报错。

Example 1

我们想把下面两个数组相加:

1
2
M = np.ones((2, 3))
a = np.arange(3)

两者的形状是:
1
2
M.shape = (2, 3)
a.shape = (3,)

那么,根据规则1,需要先填充a的形状为:
1
2
M.shape -> (2, 3)
a.shape -> (1, 3)

根据规则2,在第一维上,两者形状不匹配,那么继续扩展:
1
2
M.shape -> (2, 3)
a.shape -> (2, 3)

因此M和a相当于:
1
2
M -> array([[1., 1., 1.], [1., 1., 1.]])
a -> array([[0, 1, 2], [0, 1, 2]])

那么,两者相加即为:
1
2
3
>>> M + a
array([[1., 2., 3.],
[1., 2., 3.]])

Example 2

这个例子是两个数组都要广播的情形。

1
2
a = np.arange(3).reshape((3, 1))
b = np.arange(3)

那么,两者的shape是:
1
2
a.shape = (3, 1)
b.shape = (3,)

根据规则1,需要将b的shape填充为:
1
2
a.shape -> (3, 1)
b.shape -> (1, 3)

然后根据规则2,需要将两者都扩展为:
1
2
a.shape -> (3, 3)
b.shape -> (3, 3)

那么,实际两者扩展成:
1
2
a -> array([[0, 0, 0],[1, 1, 1], [2, 2, 2]])
b -> array([[0, 1, 2],[0, 1, 2], [0, 1, 2]])

所以,两者相加为:
1
2
3
4
>>> a + b
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4]])

Example 3

这个例子是两个例子不兼容的情形。

1
2
M = np.ones((3, 2))
a = np.arange(3)

两者的形状为:
1
2
M.shape = (3, 2)
a.shape = (3,)

根据规则1,要将a填充:
1
2
M.shape -> (3, 2)
a.shape -> (1, 3)

根据规则2,要将a的第一维扩展:
1
2
M.shape -> (3, 2)
a.shape -> (3, 3)

此时就会触发规则3,即在第二维上形状不相同,但又都不为1:
1
2
3
4
>>> M + a
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (3,2) (3,)

此时你可能想着如果不是向左填充形状1,而是向右填充,那么问题就可以解决了。但广播的规则规定了只能向左填充,这是为了防止出现混乱。其实此时可以人为手动将a的形状改为(3,1),即使用np.newaxis,因为:
1
2
>>> a[:, np.newaxis].shape
(3, 1)

所以:
1
2
3
4
>>> M + a[:, np.newaxis]
array([[1., 1.],
[2., 2.],
[3., 3.]])

上述例子是针对于加号操作符,实际上上面的广播也适用于任意二元操作符。

奇妙索引Fancy Indexing

Fancy Indexing是指传递一个索引序列,然后一次性得到多个索引元素。

一维数组的索引

生成一个一维数组x,

1
2
3
4
import numpy as np
rand = np.random.RandomState(42)
x = rand.randint(100, size=10)
print(x)

返回结果:
1
[51 92 14 71 60 20 82 86 74 74]

(1)一维索引
1
2
ind = [3, 7, 4]
x[ind]

返回:
1
array([71, 86, 60])

(2)多维索引
1
2
3
ind = np.array([[3, 7],
[4, 5]])
x[ind]

返回:
1
2
3

array([[71, 86],
[60, 20]])

因此,这里可以看出来,返回的array的shape是索引数组的shape,而不是被索引array的shape。

多维数组的索引

生成一个多维数组X:

1
2
X = np.arange(12).reshape((3, 4))
X

返回:
1
2
3
array([[ 0,  1,  2,  3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])

对于传给X的索引,第一个参数表示行row,第二个参数表示列column:
1
2
3
row = np.array([0, 1, 2])
col = np.array([2, 1, 3])
X[row, col]

返回:
1
array([ 2,  5, 11])

即分别取的是X[0, 2]、X[1, 1]和X[2, 3]的值。
注意,这个返回数组的shape仍然是索引数组的shape,而不是原始数组的shape。
再来一个多维的索引数组:
1
X[row[:, np.newaxis], col]

返回:
1
2
3
array([[ 2,  1,  3],
[ 6, 5, 7],
[10, 9, 11]])

可以逐个看一下第一个参数和第二个参数:
1
2
3
4
5
6
>>> row[:, np.newaxis]
array([[0],
[1],
[2]])
>>> col
array([2, 1, 3])

两个的维度不同,那么就符合前面所说的广播的原则,即其实索引是这样的:
1
X[[[0, 0, 0], [1, 1, 1], [2, 2, 2]], [[2, 1, 3], [2, 1, 3], [2, 1, 3]]]

仍然提醒一句,返回数组的shape就是索引数组被广播后的shape。

组合索引

上面的Fancy Indexing可以和其他的索引方式进行组合。

Fancy Indexing + slice

如果索引中有切片操作slice,或者ellipsis、newaxis等,可以看做是一个多维切片:

1
X[1:, [2, 0, 1]]

返回:
1
2
array([[ 6,  4,  5],
[10, 8, 9]])

Fancy Indexing + mask

1
2
mask = np.array([1, 0, 1, 0], dtype=bool)
X[row[:, np.newaxis], mask]

返回:

1
2
3
array([[ 0,  2],
[ 4, 6],
[ 8, 10]])