Python NumPy索引用法困惑：多维数组索引结果维度解析

嘿，作为NumPy新手碰到这种索引逻辑确实容易懵，我来一步步给你拆解清楚～

先从你的简化示例说起 #

首先看你贴的这段测试代码：

import numpy as np
a = np.ones([1,1,5,5], dtype='int64')
b = np.ones([11], dtype='float64')
x = b[a]
print(x.shape) # (1, 1, 5, 5)

这其实是NumPy里整数数组索引的典型用法，核心逻辑很简单：

• b是一个一维数组，长度为11；a是一个4维的整数数组，所有元素都是1（因为np.ones生成的全1数组）。
• 当你用多维整数数组去索引一维数组时，NumPy会把索引数组a里的每一个元素，都当作b的下标去取值，最后返回的数组形状和索引数组a的形状完全一致。

举个更直观的小例子帮你理解：

import numpy as np
b = np.array([10, 20, 30])  # 一维数组
a = np.array([[0, 1], [2, 0]])  # 2维索引数组
print(b[a])  # 输出 [[10 20], [30 10]]，形状和a一样是(2,2)

这里a里的每个数字都是b的下标，b[a]就是把这些下标对应的元素按a的结构排列起来。

回到你的测试代码，a里全是1，所以b[a]就是把b[1]这个值重复填充成(1,1,5,5)的形状，这就是为什么x.shape是这个结果。

再分析你的实际业务代码 #

现在看你补充的这段实际代码：

def gausslabel(length=180, stride=2):
    gaussian_pdf = signal.gaussian(length+1, 3)
    label = np.reshape(np.arange(stride/2, length, stride), [1,1,-1,1])
    y = np.reshape(np.arange(stride/2, length, stride), [1,1,1,-1])
    delta = np.array(np.abs(label - y), dtype=int)
    delta = np.minimum(delta, length-delta)+length/2
    return gaussian_pdf[delta]

这里的核心逻辑和上面的测试代码完全一致：

1. gaussian_pdf是一个一维数组，长度为length+1（默认是181），存的是高斯分布的概率值。
2. delta是一个4维的整数数组（形状是(1,1, N, N)，其中N是np.arange(stride/2, length, stride)的元素个数，默认stride=2时是90），它的每个元素都是合法的下标值（通过np.minimum和后续的加法操作，确保不会超出gaussian_pdf的索引范围）。
3. 最后gaussian_pdf[delta]就是把delta里的每个整数作为下标，去gaussian_pdf中取出对应位置的高斯值，返回的数组形状和delta完全一致。

找资料的关键词 #

如果你想深入学习这种索引逻辑，可以去NumPy官方文档里搜索**「Integer array indexing」**，这部分内容会详细讲解各种整数数组索引的场景和规则，包括多维索引数组的情况。

内容的提问来源于stack exchange，提问作者Sumsuddin Shojib