Uso avanzado de índices

Uso avanzado de índices#

Los arrays admiten como indices números y objetos de tipo slice, como las listas. También admiten máscaras booleanas. El último tipo de índice que veremos consiste en pasar listas de índices (fancy indexing).

supongamos que tenemos un array

import numpy as np
x = np.arange(1, 11)
print(x)

[ 1  2  3  4  5  6  7  8  9 10]

Si queremos acceder a los elementos 7, 2 y 4, podemos hacer:

[x[7], x[2], x[4]] 

[np.int64(8), np.int64(3), np.int64(5)]

Pero también podemos pasar la lista de índices directamente en lugar del índice entero

x[ [7, 2, 4] ] 

array([8, 3, 5])

Un aspecto importante es que la forma del array final está relacionada con el resultado de hacer broadcast de los índices y no con la forma del array inicial.

Veamos un ejemplo con un array de índices bidimensional.

ind = np.array([ [2, 5], [7, 3] ])
x[ind]

array([[3, 6],
       [8, 4]])

A pesar de x es unidimensaional, el resultado es bidimensional. Veamos qué pasa con un array 2D

x2 = np.arange(12).reshape((3,4))
print(x2)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

Ahora tenemos dos índices, el primero referido a las filas y el segundo a las columnas. Ambos índices tiene que tener un broadcasting compatible. Por ejemplo:

rows = np.array([1, 2, 2])
cols = np.array([0, 0, 1])
x2[rows, cols];

Antes de ver el resultado pensemos que tamaño tendrá. Los dos arrays son 1d y de la misma longitud. Cumplen las reglas de broadcasting y el array final tiene la misma dimension que índices.

x2[rows, cols]

array([4, 8, 9])

Estamos obteniendo las 3 parejas de índices, (1,0), (2,0), (2, 1), etc.

Podemos utilizar lo que sabes sobre broadcasting para calcular el array sobre las 9 combinaciones posible de índices.

x2[rows[:, np.newaxis], cols]

array([[4, 4, 5],
       [8, 8, 9],
       [8, 8, 9]])

En este caso, el resultado es 3x3.

Finalmente, todos los métodos de acceso a arrays que hemos visto pueden combinarse, usando una máscara en un eje e índices numéricos o avanzados en otro. Por ejemplo

mask = np.array([1, 0, 1, 0], dtype=bool)
x2[rows[:, np.newaxis], mask]

array([[ 4,  6],
       [ 8, 10],
       [ 8, 10]])

Como la máscara corresponde a las columnas y solo hay dos valores verdaderos, solamente hay dos columnas en la imagen final.

Acceso a los datos usando fancy indexing#

Podemos utilizar los índices para modificar el array subyacente.

x2[rows[:, np.newaxis], cols] = -1
x2

array([[ 0,  1,  2,  3],
       [-1, -1,  6,  7],
       [-1, -1, 10, 11]])

Hay que tener cuidado, porque tener índices repetidos puede conducir a resultados contraintuitivos. Por ejemplo

x = np.zeros(8)
x[[0, 0]] = [1, 2]
x

array([2., 0., 0., 0., 0., 0., 0., 0.])

Esta operación es equivalente a x[0] = 1, x[0]=2.

Las cosas puede volverse complicadas si pretendemos utilizar estos índices para contar. Por ejemplo

i = [1, 1, 2, 3, 3, 3, 4]
x[i] += 1
x

array([2., 1., 1., 1., 1., 0., 0., 0.])

Podríamos pensar que cada índice contendría el ńumero de veces repetido. Sin embargo, el resultado es 1. La razón es que operador += es equivalente a:

x[i] = x[i] + 1
x

array([2., 2., 2., 2., 2., 0., 0., 0.])

Y cada elemento solo se incrementa una vez.

Si bien no es posible utilizar los índices de esta manera, hay un método de ufunc denominado at que realiza esa misma acción.

x = np.zeros(8)
np.add.at(x, i, 1)
x

array([0., 2., 1., 3., 1., 0., 0., 0.])
Contents