将ndarray对象的数据按索引矩阵进行选取的几种方法
将ndarray对象的数据按索引矩阵进行选取的几种方法有很多时候，我们需要把ndarray对象的数据按索引矩阵进行选择，本文就写一写此操作的常用方法。
目录
[*]01-按维度和索引选择数据
[*]02-以对象A中的值为索引挑选矩阵choices中的值形成新的矩阵
[*]03-由索引矩阵生成新的矩阵
[*]04-通过布尔值来对矩阵数据进行压缩处理
01-按维度和索引选择数据
可以用方法take()实现这个需求。
方法take()的原型如下：
take(a, indices[, axis, out, mode])
官方说明如下：
Return an array formed from the elements of a at the given indices.
示例代码如下：
import numpy as np
A = np.array([,
,
,
], dtype='int8')
B = A.take(, 1)
C = A.take(, 0)
运行结果如下：
http://pic1.hhai.cc/pic1/2022/2022-11/003/08.png
代码和结果说明：
由上面的运行可以看出:
当参数indices=1时，索引表示哪一列，即按列进行数据选择。
当参数indices=0时，索引表示哪一行，即按行进行数据选择。
02-以对象A中的值为索引挑选矩阵choices中的值形成新的矩阵
可以用方法choose()实现这个功能。
方法choose()的原型如下：
choose(choices[, out, mode])
Use an index array to construct a new array from a set of choices.
示例代码如下：
import numpy as np
A = np.array([, , ])
B = np.array()
C = A.choose(B)
运行结果如下：
http://pic1.hhai.cc/pic1/2022/2022-11/003/09.png
C的形成过程如下：
A = 0→B = 3→C = 3
A = 0→B = 3→C = 3
A = 3→B = 2→C = 2
A = 1→B = 7→C = 7
A = 0→B = 3→C = 3
A = 2→B = 6→C = 6
A = 2→B = 6→C = 6
A = 1→B = 7→C = 7
A = 0→B = 3→C = 3
从上面的过程来看，A中各元素因为是作为对B的索引，所以A中各元素的最大值不能超过B中各元素的最大索引值。
如果B是二维的，则A中各元素的值是对B中每列元素的索引：
示例如下：
A = np.array([, ])
B = np.array([,
,
])
C = A.choose(B)
运行结果如下：
http://pic1.hhai.cc/pic1/2022/2022-11/003/10.png
此时C的形成过程如下：
C的值的形成过程如下：
首先我们发现A = 1，由于这个1位于A中的第0列，所以我们去寻找B中第0列中索引值为1的值，即B的值，B = 1，所以A = 1。
C的值的形成过程如下：
首先我们发现A = 0，由于这个0位于A中的第1列，所以我们去寻找B中第1列中索引值为0的值，即B的值，B = 7，所以C = 7。
C的值的形成过程如下：
首先我们发现A = 2，由于这个2位于A中的第2列，所以我们去寻找B中第2列中索引值为2的值，即B的值，B = 4，所以C = 4。
C的值的形成过程如下：
首先我们发现A = 0，由于这个0位于A中的第0列，所以我们去寻找B中第0列中索引值为0的值，即B的值，B = 3，所以C = 3。
C的值的形成过程如下：
首先我们发现A = 2，由于这个2位于A中的第1列，所以我们去寻找B中第1列中索引值为2的值，即B的值，B = 5，所以C = 5。
C的值的形成过程如下：
首先我们发现A = 0，由于这个0位于A中的第2列，所以我们去寻找B中第2列中索引值为0的值，即B的值，B = 6，所以C = 6。
一个实际的应用场景为：
假设B为二维矩阵，每一列为一个样本，列中的元素依次为样本的某个特征值，则我们可以通过设定A取出每个样本的某个特征值形成一个新的矩阵。
当然上面介绍的方法take()也可实现这个需求，并且似乎更直观，更简单。
关于方法choose()的参数mode说两句，参数mode影响上述例子中A中各元素的取值范围，设B中的索引最大值为n-1,
则
mode=‘raise’，表示A中的数必须在范围内
mode=‘wrap’，表示A中的数可以是任意的整数（signed），对n取余映射到范围内
mode=‘clip’， 表示A中的数可以是任意的整数(signed)，负数映射为0，大于n-1的数映射为n-1
03-由索引矩阵生成新的矩阵
可以用函数take_along_axis()实现这个功能，函数take_along_axis()的使用和理解比较难，为此，我专门写了一篇博文进行介绍，详情见链接 https://www.hhai.cc/thread-120-1-1.html
04-通过布尔值来对矩阵数据进行压缩处理
可以使用方法compress()实现这个功能。
原型如下：
compress(condition[, axis, out])
示例代码如下：
import numpy as np
A = np.array([, , ])
B = A.compress(, axis=0)
C = A.compress(, axis=1)
运行结果如下：
http://pic1.hhai.cc/pic1/2022/2022-11/003/11.png
分析：
语句 B = A.compress(, axis=0) 代表在列方向上进行压缩，第1个数0代表某列的第0个元素被舍弃；第2个数1代表某列的第1个元素被保留；第3个数1代表某列的第2个元素被保留。
以A的第0列为例，元素1被舍弃，元素3、5被保留。
以此类推…
而语句 C = A.compress(, axis=1)代表在行方向上进行压缩，第1个布尔值False代表某行的第0个元素被舍弃，第2个布尔值True代表某行的第1个元素被舍弃。
以A的第0行为例，元素1被舍弃，元素2被保留。
以此类推…
页:
[1]