Python多维数组变量切片：如何无循环随机选取固定尺寸矩形？

当然可以！完全不需要循环就能实现这个需求，咱们可以利用numpy的广播机制和批量索引生成来一次性处理所有轴0的样本，效率比循环高多了。下面一步步给你拆解实现思路和代码：

核心思路 #

我们需要为每个轴0的样本（共Nt个）生成对应的随机子矩形左上角坐标，然后通过广播将这些起始坐标和子矩形的相对偏移量结合，最终用numpy的高级索引一次性提取所有子数组。

具体实现步骤 #

1. 生成随机起始坐标：
   对于每个样本，轴1的起始索引范围是0到Nx0 - Nx1（包含两端），轴2同理是0到Ny0 - Ny1。我们用np.random.randint一次性生成Nt个起始坐标：

   x_starts = np.random.randint(0, Nx0 - Nx1 + 1, size=Nt)
   y_starts = np.random.randint(0, Ny0 - Ny1 + 1, size=Nt)
   

   这里上限加1是因为randint的右边界是开区间，确保能取到Nx0 - Nx1这个最大值，避免子矩形越界。

2. 生成子矩形的相对偏移量：
   子矩形的每个位置相对于左上角的偏移量是0到Nx1-1（轴1）和0到Ny1-1（轴2），我们用np.arange生成这些偏移量：

   x_offsets = np.arange(Nx1)
   y_offsets = np.arange(Ny1)
   

3. 广播生成绝对索引：
   我们需要把起始坐标和偏移量扩展维度，让它们能广播成对应每个子矩形位置的绝对索引：

   # 把x_starts从(Nt,)扩展为(Nt, 1, 1)，和x_offsets的(1, Nx1, 1)广播成(Nt, Nx1, 1)
   x_indices = x_starts[:, None, None] + x_offsets[None, :, None]
   # 同理，y_indices最终是(Nt, 1, Ny1)，广播后和x_indices配合得到(Nt, Nx1, Ny1)的索引
   y_indices = y_starts[:, None, None] + y_offsets[None, None, :]
   

4. 一次性提取所有子数组：
   最后用numpy的高级索引，为每个样本指定对应的索引：

   # np.arange(Nt)[:, None, None]生成每个样本的轴0索引，形状为(Nt, 1, 1)
   result = arr[np.arange(Nt)[:, None, None], x_indices, y_indices]
   

完整测试代码 #

import numpy as np

# 自定义参数
Nt = 5
Nx0 = 10
Ny0 = 10
Nx1 = 3
Ny1 = 3

# 创建测试用的三维数组
arr = np.arange(Nt * Nx0 * Ny0).reshape(Nt, Nx0, Ny0)

# 生成随机起始坐标
x_starts = np.random.randint(0, Nx0 - Nx1 + 1, size=Nt)
y_starts = np.random.randint(0, Ny0 - Ny1 + 1, size=Nt)

# 生成偏移量
x_offsets = np.arange(Nx1)
y_offsets = np.arange(Ny1)

# 计算绝对索引
x_indices = x_starts[:, None, None] + x_offsets[None, :, None]
y_indices = y_starts[:, None, None] + y_offsets[None, None, :]

# 提取子数组
result = arr[np.arange(Nt)[:, None, None], x_indices, y_indices]

print("原数组形状:", arr.shape)       # (5, 10, 10)
print("结果数组形状:", result.shape)  # (5, 3, 3)，完全符合需求

为什么这个方法可行？ #

numpy的高级索引支持多维数组作为索引，这里我们通过广播让三个索引数组（轴0的索引、轴1的索引、轴2的索引）都变成(Nt, Nx1, Ny1)的形状，每个位置的索引组合正好对应原数组中每个样本的子矩形位置，从而一次性完成所有子数组的提取，完全避免了循环。

内容的提问来源于stack exchange，提问作者user495268