NumPy：1D numpy數組切片列表

Question

如何提取與1D numpy.ndarray包含的索引相對應的列表元素？

這是一個例子：

list_data = list(range(1, 100))
arr_index = np.asarray([18, 55, 22])
arr_index.shape

list_data[arr_index]  # FAILS

我希望能夠檢索與list_data相對應的arr_index元素。

Answer 1

你可以使用numpy.take -

import numpy as np
np.take(list_data,arr_index)

樣品運行 -

In [12]: list_data = list(range(1, 20))

In [13]: list_data
Out[13]: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]

In [14]: arr_index = np.asarray([3, 5, 12])

In [15]: np.take(list_data,arr_index)
Out[15]: array([ 4,  6, 13])

Answer 2

要么

import numpy as np
list_data = list(range(1, 100))
arr_index = np.asarray([18, 55, 22])
arr_index.shape

new_ = [list_data[i] for i in arr_index]

>> [19, 56, 23]

注意

list_data = list(range(1, 100)可以替換為list_data = range(1, 100)

arr_index = np.asarray([18, 55, 22])可以替換為arr_index = np.array([18, 55, 22])

Answer 3

我剛做了一些時間測試：

In [226]: ll=list(range(20000))    
In [227]: ind=np.random.randint(0,20000,200)

In [228]: timeit np.array(ll)[ind]
100 loops, best of 3: 3.29 ms per loop

In [229]: timeit np.take(ll,ind)
100 loops, best of 3: 3.34 ms per loop

In [230]: timeit [ll[x] for x in ind]
10000 loops, best of 3: 65.1 µs per loop

In [231]: arr=np.array(ll)
In [232]: timeit arr[ind]
100000 loops, best of 3: 6 µs per loop

列表理解顯然是勝利者。 索引數組顯然更快，但創建該數組的開銷很大。

轉換為對象dtype數組更快。 我有點驚訝，但它必須是因為它可以轉換而無需解析：

In [236]: timeit np.array(ll,dtype=object)[ind].tolist()
1000 loops, best of 3: 1.04 ms per loop