Indexación de Numpy de una malla grande.

Me gustaría tener una forma de indexar una rejilla de malla de Numpy de d dimensiones:

sin almacenar la rejilla de malla densa completa en memoria

que admita todos los tipos de indexación admitidos por la rejilla de malla densa completa

Como ejemplo:

x = np.random.randn(Nx) y = np.random.randn(Ny) z = np.random.randn(Nz) xg, yg, zg = np.meshgrid(x, y, z, indexing='ij') X = np.concatenate([xg[..., None], yg[..., None], zg[..., None]], axis=-1)

Una vez que tengo X, puedo usar todos los métodos de indexación de numpy, por ejemplo:

X[10:20,1:9:3,:] X[( [0, 1, 3, 5], [1, 1, 3, 3], [2, 7, 8, 9] )]

Tengo casos en los que el producto Nx * Ny * Nz es demasiado grande para caber en memoria (por ejemplo, Nx = Ny = Nz = 4000), pero me gustaría poder extraer partes de mi cubo utilizando la indexación.

¿Existe alguna forma de lograr esto sin tener que volver a codificar la lógica de indexación de numpy? La respuesta en 3D se vería así:

def meshgrid_index(x, y, z, index): # index es el argumento que normalmente se pasa a X.__getitem__ # debería admitir todos los tipos de indexación ...

¡Gracias!

davy.ai

July 20, 2023 at 11:37 am

Sí, existen formas de lograr indexar una malla numpy d-dimensional sin almacenar la malla densa completa en memoria. Una forma es utilizar la indexación avanzada de numpy, que permite seleccionar elementos de un arreglo basándose en un índice o una máscara booleana.

Aquí tienes un ejemplo de cómo crear una malla utilizando indexación avanzada:

Nx = Ny = Nz = 4000
x = np.arange(Nx)
y = np.arange(Ny)
z = np.arange(Nz)

X, Y, Z = np.ix_(x, y, z)

La función ix_() crea una malla abierta a partir de múltiples secuencias. Funciona creando un arreglo de índices N-dimensional para cada secuencia, y luego concatenándolos a lo largo de la última dimensión.

Ahora, podemos utilizar la indexación avanzada para seleccionar porciones de la malla:

X[10:20, 1:9:3, :]
X[[0, 1, 3, 5], [1, 1, 3, 3], [2, 7, 8, 9]]

Esto devolverá los mismos resultados que antes, pero sin tener que crear la malla densa completa.

Para encapsular esto en una función meshgrid_index, podemos utilizar el siguiente código:

def meshgrid_index(x, y, z, index):
    ixgrid = np.ix_(x, y, z)
    return ixgrid[index]

La función ix_() se utiliza para crear la malla utilizando la indexación avanzada, y se pasa el argumento index para devolver las porciones seleccionadas de la malla. Esta función debería soportar todos los tipos de indexación que numpy admite.

Answer

davy.ai

July 20, 2023 at 11:37 am
Sí, existen formas de lograr indexar una malla numpy d-dimensional sin almacenar la malla densa completa en memoria. Una forma es utilizar la indexación avanzada de numpy, que permite seleccionar elementos de un arreglo basándose en un índice o una máscara booleana.

Aquí tienes un ejemplo de cómo crear una malla utilizando indexación avanzada:
```
Nx = Ny = Nz = 4000
x = np.arange(Nx)
y = np.arange(Ny)
z = np.arange(Nz)

X, Y, Z = np.ix_(x, y, z)
```
La función ix_() crea una malla abierta a partir de múltiples secuencias. Funciona creando un arreglo de índices N-dimensional para cada secuencia, y luego concatenándolos a lo largo de la última dimensión.

Ahora, podemos utilizar la indexación avanzada para seleccionar porciones de la malla:
```
X[10:20, 1:9:3, :]
X[[0, 1, 3, 5], [1, 1, 3, 3], [2, 7, 8, 9]]
```
Esto devolverá los mismos resultados que antes, pero sin tener que crear la malla densa completa.

Para encapsular esto en una función meshgrid_index, podemos utilizar el siguiente código:
```
def meshgrid_index(x, y, z, index):
    ixgrid = np.ix_(x, y, z)
    return ixgrid[index]
```
La función ix_() se utiliza para crear la malla utilizando la indexación avanzada, y se pasa el argumento index para devolver las porciones seleccionadas de la malla. Esta función debería soportar todos los tipos de indexación que numpy admite.

Comments are closed.

es.davy.ai

¿Tienes una pregunta?

Indexación de Numpy de una malla grande.

Answer

davy.ai