脾气暴躁的索引切片而不会丢失尺寸信息

我正在使用numpy，并希望在不丢失维度信息的情况下对行进行索引。

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)  

在此示例中，xslice现在为1维，但我希望它为（1,10）。在R中，我将使用X [10，：，drop = F]。numpy中是否有类似的东西。我在文档中找不到它，也没有看到类似的问题。

谢谢！

这可能最容易做到x[None, 10, :]或等效（但更具可读性）x[np.newaxis, 10, :]。

就为什么不是默认值而言，我个人发现，不断拥有单例维度的数组会非常烦人。我猜想那些麻木的开发者也有同样的感觉。

另外，numpy可以很好地处理广播数组，因此通常没有理由保留切片所来自的数组的尺寸。如果您这样做了，那么类似：

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

要么行不通，要么实施起来更加困难。

（或者至少这是我对切片时删除维度信息背后的numpy开发人员的猜测）

另一个解决方案是

X[[10],:]

要么

I = array([10])
X[I,:]

当通过索引列表（或数组）执行索引时，将保留数组的维数。这很好，因为它使您可以选择保持尺寸和压缩尺寸。

我找到了一些合理的解决方案。

1）使用 numpy.take(X,[10],0)

2）使用这个奇怪的索引 X[10:11:, :]

理想情况下，这应该是默认设置。我从未理解过为什么尺寸会下降。但这是关于numpy的讨论...

这是我更喜欢的替代方法。而不是使用单个数字编制索引，而是使用范围进行索引。即使用X[10:11,:]。（请注意，其中10:11不包括11）。

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

这也使得使用更多尺寸也很容易理解，而无需None费力地弄清楚要使用哪个索引的轴。同样，无需为数组大小做额外的记账工作，只需i:i+1为i您将在常规索引中使用的任何记账工作做好。

b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape  # >> (1, 3, 4)
b[:, 2:3, :].shape .  # >> (2, 1, 4)

要添加涉及由gnebehay 按列表或数组建立索引的解决方案，还可以使用元组：

X[(10,),:]

如果您在运行时按长度可能为1的数组建立索引，这将特别令人讨厌。对于这种情况，有np.ix_：

some_array[np.ix_(row_index,column_index)]