Numpy: Рассылка ошибок с многомерными булевыми масками

Созданный на 3 апр. 2019 · 3Комментарии · Источник: numpy/numpy

Попытка проиндексировать двумерный массив формы [N, M] с двумя одномерными булевыми масками, формами N и M, определенные комбинации True и False приводят к ошибке широковещательной передачи (особенно когда одна из всех ложных). Я не уверен, ожидается ли такое поведение, но оно кажется весьма неожиданным и нежелательным.

В приведенном ниже примере x[[False, True, True], [True, True, True]] ошибок, а x[[False, True, True], True] и x[[False, True, True]] имеют ожидаемое поведение.

Воспроизведение примера кода:

import numpy as np
from itertools import product

x = np.zeros((3,3))
mask_1d = [*product([True, False], repeat=3)]

for row_mask, col_mask in product(mask_1d, mask_1d):
    try:
        x[row_mask, col_mask]
    except IndexError as e:
        print(row_mask, col_mask)
        print(e)

Сообщение об ошибке:

     (True, True, True) (True, True, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (3,) (2,) 
(True, True, True) (True, False, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (3,) (2,) 
(True, True, True) (False, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (3,) (2,) 
(True, True, True) (False, False, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (3,) (0,) 
(True, True, False) (True, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (3,) 
(True, True, False) (False, False, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (0,) 
(True, False, True) (True, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (3,) 
(True, False, True) (False, False, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (0,) 
(False, True, True) (True, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (3,) 
(False, True, True) (False, False, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (0,) 
(False, False, False) (True, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (0,) (3,) 
(False, False, False) (True, True, False)
shape mismatch: indexing arrays could not be broadcast together with shapes (0,) (2,) 
(False, False, False) (True, False, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (0,) (2,) 
(False, False, False) (False, True, True)
shape mismatch: indexing arrays could not be broadcast together with shapes (0,) (2,)

Информация о версии Numpy / Python:

1.16.2 3.6.8 |Anaconda, Inc.| (default, Dec 30 2018, 01:22:34) 
[GCC 7.3.0]

Источник

qualiaa

Самый полезный комментарий

В случае с логическими массивами код предполагает, что вы пытаетесь проиндексировать либо одно измерение, либо все элементы одновременно - с выбором, к сожалению, угадаемым таким образом, который позволяет удалить один True . То есть он превращает ваш row_mask, col_mask в логический массив (2,3), а затем обнаруживает, что он не может проиндексировать массив (3,3).

Отчасти проблема заключается в том, что кортежи и списки рассматриваются как эквивалентные, от чего мы пытаемся отказаться. В конце концов, вы должны обработать индекс логического массива, убедившись, что маска является двойным списком.

Однако на данный момент я боюсь, что единственное решение - сделать x[row_mask][:, col_mask] .

cc @ eric-wieser, который работал над отказом от «обработки кортежа как списка» для операций индексации.

ps Больше всего меня раздражает эта разница:

x = np.arange(9).reshape(3, 3)
# x[[False, True, True], True]
# array([[3, 4, 5],
#        [6, 7, 8]])
x[[False, True, True], False]
# IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (0,)

mhvk 3 апр. 2019

👍4

Все 3 Комментарий

Однако на данный момент я боюсь, что единственное решение - сделать x[row_mask][:, col_mask] .

cc @ eric-wieser, который работал над отказом от «обработки кортежа как списка» для операций индексации.

ps Больше всего меня раздражает эта разница:

x = np.arange(9).reshape(3, 3)
# x[[False, True, True], True]
# array([[3, 4, 5],
#        [6, 7, 8]])
x[[False, True, True], False]
# IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (2,) (0,)

mhvk 3 апр. 2019

👍4

Да, x[row_mask][:, col_mask] - это то, чем я закончил. Спасибо за объяснение, я рад, что этим занимаются.

qualiaa 3 апр. 2019

👍3

Я думаю, что arr[np.ix_(index)] - это то, что вы хотите / ожидаете здесь, или, другими словами, о внешней логике индексации, как в NEP 21: https://github.com/numpy/numpy/blob/master/doc/neps /nep-0021-advanced-indexing.rst

Может быть, когда-нибудь это подхватят. В NEP также говорится, что, по крайней мере, для текущей индексации несколько логических индексов должны быть просто устаревшими (я думаю, что вопрос о разрешении этого конкретного варианта использования все еще может быть оспорен - он согласован, но может не иметь большого варианта использования и может быть довольно запутанным в любой случай).