使用np.ix_来子集2D数组返回三维数组，其中最新的维数为1

Question

我正在自动化从测试仪器导入和绘制数据(列为行，因此是2D数组)。导入后的数据具有一个基于每行第一列中的样本编号的索引，并且我希望根据该索引在其他列中选择数据。我在这里发现了一个类似的问题，Select certain rows (condition met), but only some columns in Python/Numpy并遵循这个例子来获得正确的子集。我不明白的是，为什么二维数组作为三维数组返回，一维长度为1。

最小工作实例：

>>> c = np.array([[1,1,6,7],[1,2,9,8],[2,3,4,3],[3,4,6,2]])
>>> c
array([[1, 1, 6, 7],
       [1, 2, 9, 8],
       [2, 3, 4, 3],
       [3, 4, 6, 2]])
>>> np.shape(c)
(4, 4)

>>> d = c[np.ix_(c[:,0] == 1),2:4]
>>> d
array([[[6, 7],
        [9, 8]]])
>>> np.shape(d)
(1, 2, 2)

我知道要得到我的2D数组所需要做的就是d[0]，但是我正在试图理解为什么它以这种方式返回我的数据，就像我所理解的那样，我是否误解了代码应该是什么--这一次它只是个侥幸，但下一次它可能会失败吗？任何见解都将不胜感激。

Answer 1

让我们把它分解成美味的碎片。

1)在numpy中有两种基本的索引方式:花式索引和非幻想索引。幻想是用数组和列表来索引，非幻想是用切片和省略，单数索引是介于两者之间的。

2)当花式索引时，输出形状主要由索引数组决定，而只在较小程度上由索引数组决定：

>>> a = np.arange(2, 12, 2)
>>> a
array([ 2,  4,  6,  8, 10])
>>> I = np.arange(4)
>>> I
array([0, 1, 2, 3])
>>> a[I]
array([2, 4, 6, 8])
>>> I2 = I.reshape(2, 2)
>>> I2
array([[0, 1],
       [2, 3]])
>>> a[I2]
array([[2, 4],
       [6, 8]])

3)当花式索引和非花式索引混合使用时，它们是独立应用的：

>>> aa = np.add.outer(a, np.arange(0, 400, 100))
>>> aa
array([[  2, 102, 202, 302],
       [  4, 104, 204, 304],
       [  6, 106, 206, 306],
       [  8, 108, 208, 308],
       [ 10, 110, 210, 310]])
>>> aa[I, 2:4]
array([[202, 302],
       [204, 304],
       [206, 306],
       [208, 308]])
>>> aa[I2, 2:4]
array([[[202, 302],
        [204, 304]],

       [[206, 306],
        [208, 308]]])

相比之下：

>>> aa[I, I]
array([  2, 104, 206, 308])

4) np.ix_返回一个元组。这被解释为单例维度：

>>> np.ix_(I)
(array([0, 1, 2, 3]),)
>>> aa[np.ix_(I), 2:4]
array([[[202, 302],
        [204, 304],
        [206, 306],
        [208, 308]]])
>>> aa[I[None], 2:4]
array([[[202, 302],
        [204, 304],
        [206, 306],
        [208, 308]]])

对于索引机器中的一个不幸的或至少非常混乱的设计选择，如果元组是唯一的索引，则元组将被忽略：

>>> aa[np.ix_(I)]
array([[  2, 102, 202, 302],
       [  4, 104, 204, 304],
       [  6, 106, 206, 306],
       [  8, 108, 208, 308]])
>>> aa[I[None]]
array([[[  2, 102, 202, 302],
        [  4, 104, 204, 304],
        [  6, 106, 206, 306],
        [  8, 108, 208, 308]]])