Python中使用元组或列表对ndarray的某个维度进行非连续选取和调序

Python中使用元组或列表对ndarray的某个维度进行非连续选取和调序

大家都知道，numpy库中的ndarray可以用所谓的三帽号规则进行切片操作（详情可见我之前写的博文，链接 https://www.hhai.cc/thread-117-1-1.html）。

但是当对某个维度作非连续选择时怎么操作呢？比如在二维数组中，我想在行维度上只选择第2行和第4行怎么办？这个时候可以用Python中的元组或列表进行选择操作。关于元组或列表的概念，这里就不介绍了，这是Python中最基础的知识，不清楚的自行百度吧，随便一搜就能知道了

举两个例子说明如何在某个维度作非连续选择。

二维数组A中，我只想取A的第2行和第4行赋给B，该怎么操作呢？
代码如下：

1. import numpy as np
   
2. 
   
3. A = np.array([[1, 2, 3, 4, 5],
   
4.               [6, 7, 8, 9, 10],
   
5.               [11, 12, 13, 14, 15],
   
6.               [16, 17, 18, 19, 20],
   
7.               [21, 22, 23, 24, 25]], dtype='int')
   
8. 
   
9. B = A[(2, 4), :]

复制代码

除了使用元组，也可使用列表，即语句“B = A[(2, 4), :] ”可写成“B = A[[2, 4], :] ”
运行结果如下：

可见，代码实现了把A的第2行和第4行选取了出来赋给了B(经实测，此时为深拷贝)。

有时候，我们还想把A在行的维度上进行调换，比如我把第0行第4行进行调换，怎么操作呢？可以像下面这样操作。

1. import numpy as np
   
2. 
   
3. A = np.array([[1, 2, 3, 4, 5],
   
4.               [6, 7, 8, 9, 10],
   
5.               [11, 12, 13, 14, 15],
   
6.               [16, 17, 18, 19, 20],
   
7.               [21, 22, 23, 24, 25]], dtype='int')
   
8. 
   
9. C = A[(4, 1, 2, 3, 0), :]

复制代码

运行结果如下，可见实现了调换：


同样可在二维矩阵的列维度上进行选取和调序操作，比如只选取第1列和第3列就可以写下面的代码：

1. A = np.array([[1, 2, 3, 4, 5],
   
2.               [6, 7, 8, 9, 10],
   
3.               [11, 12, 13, 14, 15],
   
4.               [16, 17, 18, 19, 20],
   
5.               [21, 22, 23, 24, 25]], dtype='int')
   
6. 
   
7. B = A[:, (1, 3)]

复制代码

同样，如果想把第0列和第4列进行调换就可以写下面的代码：

1. A = np.array([[1, 2, 3, 4, 5],
   
2.               [6, 7, 8, 9, 10],
   
3.               [11, 12, 13, 14, 15],
   
4.               [16, 17, 18, 19, 20],
   
5.               [21, 22, 23, 24, 25]], dtype='int')
   
6. 
   
7. C = A[:, (4, 1, 2, 3, 0)]

复制代码

当维度大于2时，也可做同样的操作。比如，做图像处理的同学都知道，彩色图像有三个通道，比如BGR图像，就有B通道、G通道和R通道，有时候我需要对这些通道做一个调换，怎么办呢？比如我要把BGR图像转化成RGB图像，下面这条语句就可以搞定了：

1. img_rgb = img_bgr[:, :, (2, 1, 0)]

复制代码

为什么上面这句话能搞定，除了这篇博文讲的内容，你可能还需要阅读下面这篇文章：
Python-OpenCV中的函数cv.imread()读取到的图像的数据存储结构是怎样的？

要特别注意的是：
以二维矩阵为例，如果两个维度都用了元组或列表，那么要求这两个元组或列表的元素个数相同，并且结果是两个元组或列表组成的坐标对应的元素值，与想像中的选取某几行的某几列是有出入的。
上面这段描述有点难以理解，我举例说明吧。

如果两个维度都用了元组或列表，那么要求这两个元组或列表的元素个数相同，如果不相同，会报错，如下面这个例子：

1. import numpy as np
   
2. 
   
3. A = np.arange(10).reshape(2, 5)
   
4. 
   
5. C = A[[0, 1], [0, 2, 4]]

复制代码

运行时会报错：


正确的使用示例如下：

1. import numpy as np
   
2. 
   
3. A = np.arange(10).reshape(2, 5)
   
4. 
   
5. C = A[[0, 1], [2, 4]]

复制代码

运行结果如下：


由上面的运行结果可知，此时C的数据并不是我们想当然的

而是(2 9)，事实上这是一种所谓的“mesh”用法。