TA貢獻1852條經驗 獲得超1個贊
您應該使用以下方法在下限和上限處進行切割：
import numpy as np
m = np.zeros((100, 100, 100))
x_min, x_max = np.max([0, x-1]), np.min([x+2, m.shape[0]-1])
y_min, y_max = np.max([0, y-1]), np.min([y+2, m.shape[1]-1])
z_min, z_max = np.max([0, z-1]), np.min([z+2, m.shape[2]-1])
m[x_min:x_max, y_min:y_max, z_min:z_max] += np.ones((x_max-x_min, y_max-y_min, z_max-z_min))
TA貢獻1830條經驗 獲得超9個贊
有一個使用np.put, 及其'clip'選項的解決方案。它只需要一點技巧，因為該函數需要扁平矩陣中的索引；幸運的是，該功能np.ravel_multi_index完成了這項工作：
import itertools
import numpy as np
x, y, z = 2, 0, 4
positions_matrix = np.zeros((100,100,100))
indices = np.array( list( itertools.product( (x-1, x, x+1), (y-1, y, y+1), (z-1, z, z+1)) ))
flat_indices = np.ravel_multi_index(indices.T, positions_matrix.shape, mode='clip')
positions_matrix.put(flat_indices, 1+positions_matrix.take(flat_indices))
# positions_matrix[2,1,4] is now 1.0
這個解決方案的好處是您可以使用其他模式，例如'wrap'（如果您的代理住在甜甜圈上;-) 或周期性空間）。
我將解釋它如何在較小的 2D 矩陣上工作：
import itertools
import numpy as np
positions_matrix = np.zeros((8,8))
ones = np.ones((3,3))
x, y = 0, 4
indices = np.array( list( itertools.product( (x-1, x, x+1), (y-1, y, y+1) )))
# array([[-1, 3],
# [-1, 4],
# [-1, 5],
# [ 0, 3],
# [ 0, 4],
# [ 0, 5],
# [ 1, 3],
# [ 1, 4],
# [ 1, 5]])
flat_indices = np.ravel_multi_index(indices.T, positions_matrix.shape, mode='clip')
# array([ 3, 4, 5, 3, 4, 5, 11, 12, 13])
positions_matrix.put(flat_indices, ones, mode='clip')
# positions_matrix is now:
# array([[0., 0., 0., 1., 1., 1., 0., 0.],
# [0., 0., 0., 1., 1., 1., 0., 0.],
# [0., 0., 0., 0., 0., 0., 0., 0.],
# [ ...
順便說一句，在這種情況下mode='clip'是多余的put。
好吧，我只是作弊put做作業。+=1需要take和put：_
positions_matrix.put(flat_indices, ones.flat + positions_matrix.take(flat_indices))
# notice that ones has to be flattened, or alternatively the result of take could be reshaped (3,3)
# positions_matrix is now:
# array([[0., 0., 0., 2., 2., 2., 0., 0.],
# [0., 0., 0., 2., 2., 2., 0., 0.],
# [0., 0., 0., 0., 0., 0., 0., 0.],
# [ ...
與其他解決方案相比，此解決方案有一個重要區別：ones矩陣始終為 (3,3)，這可能是優勢，也可能不是優勢。訣竅就在這個 flat_indices 列表中，它有重復的條目（剪輯的結果）。
因此，如果您在最大索引處添加非常數子矩陣，則可能需要采取一些預防措施：
x, y = 1, 7
values = 1 + np.arange(9)
indices = np.array( list( itertools.product( (x-1, x, x+1), (y-1, y, y+1) )))
flat_indices = np.ravel_multi_index(indices.T, positions_matrix.shape, mode='clip')
positions_matrix.put(flat_indices, values, mode='clip')
# positions_matrix is now:
# array([[0., 0., 0., 2., 2., 2., 1., 3.],
# [0., 0., 0., 2., 2., 2., 4., 6.],
# [0., 0., 0., 0., 0., 0., 7., 9.],
...您可能期望最后一列是 2 5 8。目前，您可以處理flat_indices，例如通過放置-1越界位置。但是，如果np.put接受非平面索引，或者如果有一個 clip ，這一切都會更容易mode='ignore'。
舉報