如何在Python中解析小数（插值型）索引？

NumPy的np.unravel_index确实只支持整数索引，因为它的设计目标是将扁平化的整数位置映射回多维整数坐标。针对插值后产生的小数索引（连续型扁平化位置），没有直接的现成NumPy函数，但可以手动实现等价逻辑——本质是把扁平化的小数位置反向拆解为多维的小数坐标。

核心思路 #

假设原始多维数组的形状为shape = (d0, d1, ..., dn)，扁平化的小数索引为flat_idx（标量或数组均可），还原步骤如下：

1. 计算各维度的步长：步长是当前维度之后所有维度的乘积。比如2D图像(H, W)，H维度的步长是W，W维度的步长是1；3D数组(D, H, W)，D的步长是H*W，H的步长是W，W的步长是1。
2. 逐维度计算坐标：用flat_idx除以当前维度的步长得到该维度的小数坐标，取余数作为剩余索引，继续处理下一个维度。

代码实现示例 #

以2D图像（形状(H, W)）为例：

import numpy as np

def unravel_float_index(flat_idx, shape):
    # 计算各维度的步长（匹配C顺序的np.ravel）
    strides = np.cumprod(shape[::-1])[::-1][1:]
    strides = np.concatenate([strides, [1]])
    
    coords = []
    remaining = flat_idx.copy()
    for s in strides:
        coord = remaining / s
        coords.append(coord)
        remaining = remaining % s
    return np.array(coords).T  # 返回(N, len(shape))的数组，N为flat_idx的元素数量

# 测试用例
H, W = 5, 10
flat_float_idx = np.array([12.3, 45.7, 28.1])
coords = unravel_float_index(flat_float_idx, (H, W))
print(coords)
# 输出：[[1.23 2.3 ]
#        [4.57 5.7 ]
#        [2.81 8.1 ]]

适配不同扁平化顺序 #

如果你的数组是用np.ravel(order='F')（Fortran顺序）扁平化的，只需调整步长计算逻辑：

strides = np.cumprod(shape)[:-1]
strides = np.concatenate([strides, [1]])

内容的提问来源于stack exchange，提问作者Amel Alhassan