Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

2.7

 ファンシーインデクス

79

In[5]: X = np.arange(12).reshape((3, 4))

X

Out[5]: array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

標準的なインデクスと同様に、

1

番目のインデクスは行を参照し、

2

番目のインデクスは列を参

照します。

In[6]: row = np.array([0, 1, 2])

col = np.array([2, 1, 3])

X[row, col]

Out[6]: array([ 2, 5, 11])

結果の最初の値は

X[0,2]

、

2

番目の値は

X[1,1]

、

3

番目の値は

X[2

、

3]

です。ファンシーインデ

クスにおけるインデクスの組み合わせは、「2.5 配列の計算：ブロー

ドキャスト」で説明したすべ

てのブロードキャストルールに従います。例えば、インデクス内に列ベクトルと行ベクトルを組み

合わせると、結果は

2

次元の配列となります。

In[7]: X[row[:, np.newaxis], col]

Out[7]: array([[ 2, 1, 3],

[ 6, 5, 7],

[10, 9, 11]])

算術演算のブロードキャストで見たのとまったく同じように、各行の値は各列ベクトルと一致し

ます。例えば次の計算を見てみましょう。

In[8]: row[:, np.newaxis] * col

Out[8]: array([[0, 0, 0],

[2, 1, 3],

[4, 2, 6]]) ...