NumPy：在 3D 切片中使用来自 argmin 的二维索引数组

Question

我正在尝试使用来自 argmin（或相关的 argmax 等函数）的二维索引数组来索引大型 3D arrays。 这是我的示例数据：

import numpy as np
shape3d = (16, 500, 335)
shapelen = reduce(lambda x, y: x*y, shape3d)

# 3D array of [random] source integers
intcube = np.random.uniform(2, 50, shapelen).astype('i').reshape(shape3d)

# 2D array of indices of minimum value along first axis
minax0 = intcube.argmin(axis=0)

# Another 3D array where I'd like to use the indices from minax0
othercube = np.zeros(shape3d)

# A 2D array of [random] values I'd like to assign in othercube
some2d = np.empty(shape3d[1:])

此时，3D arrays 的形状相同，而minax0数组的形状为 (500, 335)。 现在我想将二维数组some2d中的值分配给 3D 数组othercube ，使用minax0作为第一维的索引 position。 这是我正在尝试的，但不起作用：

othercube[minax0] = some2d    # or
othercube[minax0,:] = some2d

抛出错误：

ValueError：花式索引中的尺寸太大

注意：我目前正在使用，但不是非常 NumPythonic：

for r in range(shape3d[1]):
    for c in range(shape3d[2]):
        othercube[minax0[r, c], r, c] = some2d[r, c]

我一直在挖掘 web 以找到可以索引othercube的类似示例，但我没有找到任何优雅的东西。 这需要高级索引吗？ 有小费吗？

Answer 1

花哨的索引可能有点不直观。 幸运的是，本教程有一些很好的例子。

基本上，您需要定义每个minidx应用的 j 和 k。 numpy 并没有从形状中推断出来。

在你的例子中：

i = minax0
k,j = np.meshgrid(np.arange(335), np.arange(500))
othercube[i,j,k] = some2d