对于numpy数组索引：列表索引和np.array索引给出不同的结果感兴趣的读者，本文将提供您所需要的所有信息，我们将详细讲解numpy数组索引，并且为您提供关于Matlab和numpy/scipy中
对于numpy数组索引：列表索引和np.array索引给出不同的结果感兴趣的读者，本文将提供您所需要的所有信息，我们将详细讲解numpy 数组索引，并且为您提供关于Matlab和numpy / scipy中的FFT给出不同的结果、ndarray数组的索引和切片、numpy array：IndexError：数组索引过多、numpy ndarray索引的含义是什么？的宝贵知识。
本文目录一览：- numpy数组索引：列表索引和np.array索引给出不同的结果（numpy 数组索引）
- Matlab和numpy / scipy中的FFT给出不同的结果
- ndarray数组的索引和切片
- numpy array：IndexError：数组索引过多
- numpy ndarray索引的含义是什么？
numpy数组索引：列表索引和np.array索引给出不同的结果（numpy 数组索引）
我正在尝试使用列表和np.array索引来索引np.array 。但是他们给出了不同的结果。
这是一个例子：
import numpy as np x = np.arange(10)idx = [[0, 1], [1, 2]]x[np.array(idx)] # returns array([[0, 1], [1, 2]])但是直接应用列表会产生错误
x[idx] # raises IndexError: too many indices for array我期望上面的返回与使用np.array索引相同的结果。有什么想法吗？
我正在使用python 3.5和numpy 1.13.1。
答案1
小编典典如果是数组，则将其解释为包含索引的最终数组的形状-但如果是列表，则是“维度”（多维数组索引）上的索引。
因此，第一个示例（带有array）等效于：
[[x[0], x[1], [x[1], x[2]]但是第二个示例（list）解释为：
[x[0, 1], x[1, 2]]但是x[0, 1]给一个IndexError: too many indices for array因为你x只有一个维度。
这是因为lists的解释就像是一个元组，这等同于“单独”传递它们：
x [[0，1]，[1，2]] 二维的^^^^^^ -----索引 ^^^^^^^ -------------第一维的索引
Matlab和numpy / scipy中的FFT给出不同的结果
我正在尝试重新实现matlab工具箱之一。他们在那边使用fft。当我对相同的数据执行相同的操作时，我得到的结果与Matlab的结果不同。看看：
MATLAB ：
Msig = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0fft(Msig.'')Columns 1 through 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Columns 5 through 6 1.0000 0 0 - 1.0000i 0 -1.0000 0 0 + 1.0000i 0PYTHON ：
Msig=array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 1., 0., 0.], [ 0., 0., 0., 0.]])np.fft.fft(Msig.transpose())array([[ 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j], [ 1.0 +0.00000000e+00j, -0.5 +8.66025404e-01j, -0.5 -8.66025404e-01j, 1.0 -3.88578059e-16j, -0.5 +8.66025404e-01j, -0.5 -8.66025404e-01j], [ 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j], [ 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j, 0.0 +0.00000000e+00j]])如果我弄乱了np.fft.fft（）/ np.fft.fft2（）/
np.fft.fftn（）的参数（轴等），则可以得到的最佳值是相同的，但发生了变化。不幸的是，手动移位不是一种选择，因为Msig矩阵的大小和形状取决于输入参数。
您有任何解决办法的线索，可能是什么原因？
答案1
小编典典Matlab默认将fft应用到矩阵的列上，numpy默认将fft应用到最后一个轴（行）上。你要：
>>> np.fft.fft(Msig.T, axis=0)array([[ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 1.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 0.-1.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, -1.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 0.+1.j, 0.+0.j]])要么
>>> np.fft.fft(Msig).Tarray([[ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 1.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 0.-1.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, -1.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j, 0.+1.j, 0.+0.j]])
ndarray数组的索引和切片
索引：获取数组中特定位置元素的过程
切片：获取数组元素子集的过程
利用切片得到的数组为浅复制，即原数组改变，新的数组也会随之改变。为避免浅复制，建议使用副本切片，即copy()
import numpy as np
一维数组
一维数组的索引和切片与python中的列表类似
索引:若元素个数为n,则索引下标可表示为[0,1,2,...,n-1]或[-n,-(n-1),-(n-2),...,-2,-1]
print(''*''*8+''一维数组的索引和切片''+''*''*8)
# 若元素个数为n,则索引下标可表示为[0,1,2,...,n-1]或[-n,-(n-1),-(n-2),...,-2,-1]
ar1 = np.array([5, 6, 7, 8, 9])
print(ar1[4]) # 索引自左向右从下标0开始
print(ar1[-2]) # 索引自右向左从下标-1递减，最右边为-1，相邻的为-2
切片:切片可用三元素冒号分割
ar1[起始编号 ： 终止编号（不含） ： 步长],起始编号默认是0，终止编号默认是n,步长默认是1
仍然是ndarray数组
b = ar1[1:4:2]
print(b)
print(type(b))
多维数组
ar2 = np.arange(24).reshape((2, 3, 4))
print(''*''*8+''多维数组的索引和切片''+''*''*8)
多维数组的索引，每个维度一个索引值，逗号分隔————r2[ax0上索引,ax1上索引,ax2上索引]，各个维度索引和一维相同0~n-1或-n~-1
print(ar2)
print(ar2[1, 1, 2])
print(ar2[-1, -2, -2])
多维数组的切片，逗号分隔，每个维度同一维切片一样，用三冒号分隔， 如果只有一个：表示选取整个维度
print(ar2[:, 1:3, :])
print(ar2[:, 1:3, ::2])
print(ar2[:, 1, -3])
索引数组：将数组作为索引，通常是一维数组（每个元素代表对应维度索引）
1.布尔索引
<font size=4>布尔数组</font>：顾名思义，元素类型为布尔值的数组，同样可以是一维或者多维数组
例如：
bool_arr1 = np.array([True, False, False, False, False, False,True])
如下的数组定义也是布尔数组
names = np.array([''Liu'', ''Zhang'', ''Li'', ''Wang'', ''Sun'', ''Zong'', ''Kong''])
bool_arr2 = names == ''Zhang''
此时bool_arr2为array[False True False False False False False]
若想得到bool_arr1,则：bool_arr1 = (names == ''Liu'') | (names == ''Kong'')
同样的，与 &、非 ~ 、不等于 != 、>=、<=、>、<等条件判断同样可以用于布尔数组赋值语句里。
注意！Python中的关键字and和or对布尔值数组并没有用，is在特殊情况可能会有效，即判断两个布尔数组是否相等
如：bool_arr3 = ~(names == ''Zhang'')等价于boo_arr3 = names != ''Zhang''
将一维布尔数组 作为 布尔索引数组，例如：
names = np.array([''Liu'', ''Zhang'', ''Li'', ''Wang'', ''Sun'', ''Zong'', ''Kong''])
bool_arr2 = names == ''Zhang''
data = np.arange(21).reshape((7,3))
print(data)
print(data[bool_arr2])
输出为：
[[ 0 1 2]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]
[12 13 14]
[15 16 17]
[18 19 20]] # data
[[3 4 5]] # data[bool_arr2]
2.神奇索引
使用整数数组作为数据索引数组，整数数组可以是一维或多维
2.1一维数据索引数组
一维数据索引数组传递包含指定顺序的列表或数组。即：
一维数据索引数据每个元素
i代表数组轴axis=0上，即取第1维的第i个数据。
例1：
data1 = np.arange(28).reshape((7, 4))
print(data1)
print(''-''*20 + ''data1[[1, 5, 6, 2, 1]]'' + ''-''*20)
print(data1[[1, 5, 6, 2, 1]])
print(''-''*20 + ''data1[[-1, 3, -2, -5, 1]]'' + ''-''*20)
print(data1[[-1, 3, -2, -5, 1]])
输出为：
[[ 0 1 2 3] # 0或-7
[ 4 5 6 7] # 1或-6
[ 8 9 10 11] # 2或-5
[12 13 14 15] # 3或-4
[16 17 18 19] # 4或-3
[20 21 22 23] # 5或-2
[24 25 26 27]] # 6或-1
--------------------data1[[1, 5, 6, 2, 1]]--------------------
[[ 4 5 6 7]
[20 21 22 23]
[24 25 26 27]
[ 8 9 10 11]
[ 4 5 6 7]]
--------------------data1[[-1, 3, -2, -5, 1]]--------------------
[[24 25 26 27]
[12 13 14 15]
[20 21 22 23]
[ 8 9 10 11]
[ 4 5 6 7]]
例2：
data2 = np.arange(48).reshape((4, 4, 3))
print(data2)
print(''-''*20 + ''data2[[3, 0, 2, 1, 0]]'' + ''-''*20)
print(data2[[3, 0, 2, 1, 0]])
print(''-''*20 + ''data2[[-1, -2, 1, 2]]'' + ''-''*20)
print(data2[[-1, -2, 1, 2]])
输出为：
[[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]] # 0或-4
[[12 13 14]
[15 16 17]
[18 19 20]
[21 22 23]] # 1或-3
[[24 25 26]
[27 28 29]
[30 31 32]
[33 34 35]] # 2或-2
[[36 37 38]
[39 40 41]
[42 43 44]
[45 46 47]]] # 3或-1
--------------------data2[[3, 0, 2, 1, 0]]--------------------
[[[36 37 38]
[39 40 41]
[42 43 44]
[45 46 47]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
[[24 25 26]
[27 28 29]
[30 31 32]
[33 34 35]]
[[12 13 14]
[15 16 17]
[18 19 20]
[21 22 23]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]]
--------------------data2[[-1, -2, 1, 2]]--------------------
[[[36 37 38]
[39 40 41]
[42 43 44]
[45 46 47]]
[[24 25 26]
[27 28 29]
[30 31 32]
[33 34 35]]
[[12 13 14]
[15 16 17]
[18 19 20]
[21 22 23]]
[[24 25 26]
[27 28 29]
[30 31 32]
[33 34 35]]]
data2是多维数组，其在轴axis=0共有4个数据，每个数据其实又是一个数组
2.2 多个索引数组
传递多个索引数组作为索引时，会根据每个索引数组对应元素选出一个一维数组
每个索引数组大小应相同，设为
n数组个数应等于数据数组的维数，相当于得到n个点的坐标，坐标分量即为数据数组对应维度。
例：
data3 = np.arange(32).reshape((8, 4))
print(data3)
print(''-''*20 + ''data3[[1, 5, 7, 2], [0, 3, 1, 2]]'' + ''-''*20)
print(data3[[1, 5, 7, 2], [0, 3, 1, 2]])
data4 = np.arange(48).reshape((4, 4, 3))
print(''-''*20 + ''data4'' + ''-''*40)
print(data4)
print(''-''*20 + ''ddata4[[3, 3, 1, 2, 0], [2, 1, 2, 0, 3], [2, 2, 0, 2, 1]'' + ''-''*20)
print(data4[[3, 3, 1, 2, 0], [2, 1, 2, 0, 3], [2, 2, 0, 2, 1]])
输出为：
0 1 2 3 # “坐标”
0[[ 0 1 2 3]
1 [ 4 5 6 7]
2 [ 8 9 10 11]
3 [12 13 14 15]
4 [16 17 18 19]
5 [20 21 22 23]
6 [24 25 26 27]
7 [28 29 30 31]]
--------------------data3[[1, 5, 7, 2], [0, 3, 1, 2]]--------------------
[ 4 23 29 10]
--------------------data4----------------------------------------
[[[ 0 1 2]
[ 3 4 5] # 0(axis=0)
[ 6 7 8]
[ 9 10 11]]
[[12 13 14]
[15 16 17] # 1
[18 19 20]
[21 22 23]]
[[24 25 26]
[27 28 29] # 2
[30 31 32]
[33 34 35]]
[[36 37 38]
[39 40 41] # 3
[42 43 44]
[45 46 47]]]
--------------------ddata4[[3, 3, 1, 2, 0], [2, 1, 2, 0, 3], [2, 2, 0, 2, 1]--------------------
[44 41 18 26 10]
<font size=4>data3[[1, 5, 7, 2], [0, 3, 1, 2]] 即为“坐标“为<font color=red>(1,0)、(5,3)、（7，1）、（2，2）</font>的元素被选中。</font>
<font size=4>data4是一个三维数组，在0轴上，又是一个二维数组，同理：</font>
<font size=4>data4[[3, 3, 1, 2, 0], [2, 1, 2, 0, 3], [2, 2, 0, 2, 1]]即为坐标为<font color=red>(3,2,2)、(3,1,2)、(1,2,0)、(2,0,2)、(0,3,1)</font>的元素</font>
2.3神奇索引发挥类似切片功能
<font size=4>切片是逗号分隔，在每一维上可用一维数据索引数组作为其索引</font>
多个索引数组其实就是一种特殊的切片，每维索引都是一个一维数据索引
例：
data3 = np.arange(32).reshape((8, 4))
print(data3)
kols = data3[[1, 5, 7, 2]]
print(''-''*20 + ''kols'' + ''-''*20)
print(kols)
print(''-''*20 + ''data3[[1, 5, 7, 2]][:, [0, 3, 1, 2, 3]]'' + ''-''*20)
print(data3[[1, 5, 7, 2]][:, [0, 3, 1, 2, 3]])
输出为：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
--------------------kols--------------------
[[ 4 5 6 7]
[20 21 22 23]
[28 29 30 31]
[ 8 9 10 11]]
--------------------data3[[1, 5, 7, 2]][:, [0, 3, 1, 2, 3]]--------------------
[[ 4 7 5 6 7]
[20 23 21 22 23]
[28 31 29 30 31]
[ 8 11 9 10 11]]
data3[[1, 5, 7, 2]][:, [0, 3, 1, 2]]其实就是data3[[1, 5, 7, 2]]，即kols的切片，切片第一维取全部，即全部行。
第二维取一维数据数组[0,3,1,2]即:
新数组第一列为kols第一列（0）[4 20 28 8]
第二列为kols第4列（3）[7 23 31 11]
第三列为kols第2列（1）[5 21 29 9]
第四列为kols第3列（2）[6 22 30 10]
第五列为kols第4列（3）[7 23 31 11]。
<font size=5>numpy.newaxis关键字</font>
numpy.axis用来增加数组新维度，如数组a.shape=(d0,d1,...,dn)，那么在其di-1和di中间添加np.newaxis，即第i轴增加newaxis，那么a.shape$\rightarrow$(d0,d1,..di-1,1,di,..,dn)例：
a = np.arange(24).reshape((2, 3, 4))
print("数组a:\n", a)
b = a[:, np.newaxis, :, :]
print("数组b:\n", b)
输出：
数组a:
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
数组b:
[[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]]
[[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]]
b.shape = (2, 1, 3, 4)
我们经常在取数组一列或一行时，得到一个一维数组，但我们仍然希望是二维数组形式，则可以使用numpy.newaxis关键字。
原文出处：https://www.cnblogs.com/hashcoin/p/12389714.html
numpy array：IndexError：数组索引过多
这有效：
>>> a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
>>> a[:,2]
array([ 3,11])
这不是
>>> a = np.array([[1,11]])
>>> a[:,2]
Traceback (most recent call last):
File "<stdin>",line 1,in <module>
IndexError: too many indices for array
为什么这样 ？
numpy ndarray索引的含义是什么？
如何解决numpy ndarray索引的含义是什么？？
...在这里是什么意思？
import numpy as np
test = np.zeros((5,5,5))
print(test[...])
以上内容与
有何不同？print(test[:])
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）
关于numpy数组索引：列表索引和np.array索引给出不同的结果和numpy 数组索引的问题就给大家分享到这里，感谢你花时间阅读本站内容，更多关于Matlab和numpy / scipy中的FFT给出不同的结果、ndarray数组的索引和切片、numpy array：IndexError：数组索引过多、numpy ndarray索引的含义是什么？等相关知识的信息别忘了在本站进行查找喔。
本文标签：
