如何从100×100二维NumPy数组的内部区域随机采样并保留原扁平化索引

我明白你的需求了——要在保留原100×100数组结构的前提下，从中间80×80区域随机采样250个元素，并得到这些元素在扁平化数组中的一维索引。这里有个直接可行的实现方案：

步骤说明 #

1. 确认中间区域范围：你已经通过row_idx和col_idx定义了中间区域的行（10到89）和列（10到89），这部分是正确的——np.arange(min_select, max_select)是左闭右开区间，正好覆盖80个连续索引，完美对应你要排除边缘后的内部区域。
2. 生成随机二维坐标：从中间区域的行、列索引池中，分别随机挑选250个值，组成一组组二维坐标对。
3. 转换为扁平化索引：用NumPy的np.ravel_multi_index函数，把这些二维坐标转换成原数组扁平化后的一维索引，这个函数会自动匹配数组的行优先存储顺序，和flatten()/ravel()的结果完全一致。

完整代码补全 #

import numpy as np

gridsize = 100
new_abundances = np.zeros([100,100],dtype=np.uint8)
min_select = int(np.around(gridsize * 0.10))
max_select = int(gridsize - (np.around(gridsize * 0.10)))
row_idx = np.arange(min_select, max_select)
col_idx = np.arange(min_select, max_select)

# 定义需要采样的数量
num_samples = 250

# 从中间区域随机选择行和列坐标（允许重复采样，若要禁止重复可设replace=False）
random_rows = np.random.choice(row_idx, size=num_samples, replace=True)
random_cols = np.random.choice(col_idx, size=num_samples, replace=True)

# 将二维坐标转换为扁平化后的一维索引
indices_random = np.ravel_multi_index((random_rows, random_cols), dims=(gridsize, gridsize))

关键细节解释 #

• 保留原数组结构：整个过程没有裁剪new_abundances，始终基于原100×100网格的索引操作，完全适配你多轮迭代中识别边缘的需求。
• 索引转换准确性：np.ravel_multi_index会根据dims=(100,100)准确计算位置，比如原数组中(10,10)的位置，扁平化后的索引是10*100 + 10 = 1010，和直接调用new_abundances.flatten()[1010]的结果完全对应。
• 采样重复控制：如果需要不重复采样，只需把np.random.choice的replace参数改为False——中间区域共有80×80=6400个元素，远大于250，完全不用担心采样数量不足的问题。

内容的提问来源于stack exchange，提问作者ECM