Python 中的“三个点”在对看起来像数字的内容进行索引时意味着什么？

Question

下面的

x[...]

是什么意思？

a = np.arange(6).reshape(2,3)
for x in np.nditer(a, op_flags=['readwrite']):
    x[...] = 2 * x

Answer 1

虽然建议的重复 Python Ellipsis 对象做什么？ 在一般

python

上下文中回答了问题，但我认为，它在

nditer

循环中的使用需要添加信息。

https://docs.scipy.org/doc/numpy/reference/arrays.nditer.html#modifying-array-values

Python 中的常规赋值只是更改本地或全局变量字典中的引用，而不是就地修改现有变量。这意味着简单地分配给 x 不会将值放入数组的元素中，而是将 x 从数组元素引用切换为对您分配的值的引用。要实际修改数组的元素，x 应使用省略号进行索引。

该部分包含您的代码示例。

所以用我的话来说，

x[...] = ...

就地修改了

x

；

x = ...

会破坏到

nditer

变量的链接，并且不会更改它。 它类似于

x[:] = ...

，但适用于任何维度（包括 0d）的数组。 在这种情况下，

x

不仅仅是一个数字，它是一个数组。

也许最接近此

nditer

迭代（没有

nditer

）的是：

In [667]: for i, x in np.ndenumerate(a):
     ...:     print(i, x)
     ...:     a[i] = 2 * x
     ...:     
(0, 0) 0
(0, 1) 1
...
(1, 2) 5
In [668]: a
Out[668]: 
array([[ 0,  2,  4],
       [ 6,  8, 10]])

请注意，我必须直接索引并修改

a[i]

。 我无法使用，

x = 2*x

。 在本次迭代中

x

是一个标量，因此不可变

In [669]: for i,x in np.ndenumerate(a):
     ...:     x[...] = 2 * x
  ...
TypeError: 'numpy.int32' object does not support item assignment

但在

nditer

情况下

x

是一个 0d 数组，并且是可变的。

In [671]: for x in np.nditer(a, op_flags=['readwrite']):
     ...:     print(x, type(x), x.shape)
     ...:     x[...] = 2 * x
     ...:     
0 <class 'numpy.ndarray'> ()
4 <class 'numpy.ndarray'> ()
...

而且因为是 0d，所以不能用

x[:]

代替

x[...]

----> 3     x[:] = 2 * x
IndexError: too many indices for array

更简单的数组迭代也可能提供见解：

In [675]: for x in a:
     ...:     print(x, x.shape)
     ...:     x[:] = 2 * x
     ...:     
[ 0  8 16] (3,)
[24 32 40] (3,)

这会迭代

a

的行（第一个暗淡的行）。

x

是一个一维数组，可以使用

x[:]=...

或

x[...]=...

进行修改。

如果我从下一个

section

添加 external_loop 标志，

x

现在是一个一维数组，并且

x[:] =

可以工作。 但

x[...] =

仍然有效并且更通用。

x[...]

用于所有其他

nditer

示例。

In [677]: for x in np.nditer(a, op_flags=['readwrite'], flags=['external_loop']):
     ...:     print(x, type(x), x.shape)
     ...:     x[...] = 2 * x
[ 0 16 32 48 64 80] <class 'numpy.ndarray'> (6,)

比较这个简单的行迭代（在二维数组上）：

In [675]: for x in a:
     ...:     print(x, x.shape)
     ...:     x[:] = 2 * x
     ...:     
[ 0  8 16] (3,)
[24 32 40] (3,)

这会迭代

a

的行（第一个暗淡的行）。

x

是一个一维数组，可以使用

x[:] = ...

或

x[...] = ...

进行修改。

从头到尾阅读并尝试此

nditer

页。 就其本身而言，

nditer

在

python

中并没有那么有用。 它不会加速迭代 - 直到您将代码移植到

cython

。

np.ndindex

是少数使用

numpy

的非编译

nditer

函数之一。

Answer 2

省略号

...

表示

as many : as needed

。

对于没有时间的人，这里有一个简单的例子：

In [64]: X = np.reshape(np.arange(9), (3,3))

In [67]: Y = np.reshape(np.arange(2*3*4), (2,3,4))

In [70]: X
Out[70]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [71]: X[:,0]
Out[71]: array([0, 3, 6])

In [72]: X[...,0]
Out[72]: array([0, 3, 6])

In [73]: Y
Out[73]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [74]: Y[:,0]
Out[74]:
array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])

In [75]: Y[...,0]
Out[75]:
array([[ 0,  4,  8],
       [12, 16, 20]])

In [76]: X[0,...,0]
Out[76]: array(0)

In [77]: Y[0,...,0]
Out[77]: array([0, 4, 8])

这使得一次只操作一个维度变得很容易。

有一件事 - 在任何给定的索引表达式中只能有一个省略号，否则您的表达式对于每个应放入多少个

:

会不明确。

Answer 3

我相信一个很好的相似之处（大多数人可能已经习惯了）就是这样思考：

import numpy as np

random_array = np.random.rand(2, 2, 2, 2)

在这种情况下，

[:, :, :, 0] and [..., 0]

是相同的。

您可以用来仅分析特定维度，假设您有一批 50 128x128 RGB 图像（50, 3, 128, 128），如果您想在每个颜色通道的每个图像中切片一部分，您可以要么

image[:,:,50:70, 20:80] or image[...,50:70,20:80]

请注意，您不能在声明中多次使用它，例如

[...,0,...]

无效。

Answer 4

不需要长解释:-) 在 Numpy 中，省略号（3 个点）仅表示“索引匹配数组形状所需的

:

的数量”。

:

本身是表示

0:-1

的快捷方式，即所考虑的维度中的所有元素。

---

例如，对于形状

(n, p, q, r, s)

，即具有 5 维的数组，省略号可用于替换 1、2、3 或 4 个连续的

:

。这些形式是等效的：

• a[:, :, 4, 2]

  和

  a[..., 4, 2]

• a[4, :, :, 2]

  和

  a[4, ..., 2]

• a[4, 2, :, :]

  和

  a[4, 2, ...]

• a[:, :, :, 4]

  和

  a[..., 4]

• a[:, :, :, :]

  和

  a[...]

以及任何带有切片的变体，例如：

• a[1:2, :, :, 2:6]

  和

  a[1:2, ..., 2:6]

这可用于简化返回数组切片的索引，而不是使用连续的

:

来包含相应的整个维度。这种简化隐藏了数组的实际形状，并可能导致切片错误。

确实索引中只能有一个省略号，否则 Numpy 如何知道如何分配所需的

:

？