NumPy筛选数据后维度异常(1,10000,4)的原因咨询

为什么会得到(1,10000,4)的形状？ #

你遇到的问题根源在于np.where()的返回值类型：它返回的是一个元组，里面包含了满足条件的元素的索引数组。当你直接用data[ind1,:]索引时，这个元组会被当作第一个维度的索引参数，导致NumPy为这个索引额外增加一个维度，最终得到形状为(1, N, 4)的数组（其中N是符合条件的行数，最多为10000）。

更优雅的修正方法 #

其实你不需要用reshape来事后调整维度，有两种更直接的方式解决这个问题：

方法1：直接使用布尔索引（推荐）

NumPy支持直接用布尔数组进行索引，这是筛选行最简洁的方式，而且不会引入额外维度：

keep_data = data[(data[:,0] > 55) & (data[:,0] < 65), :]

这样得到的keep_data形状会直接是(M, 4)，其中M是满足55 < 值 < 65的行数。

方法2：正确提取np.where()的索引数组

如果你坚持要用np.where()，记得提取元组中的第一个元素（因为对于一维条件，np.where()返回的元组只有一个元素，就是行索引数组）：

ind1 = np.where((data[:,0] > 55) & (data[:,0] < 65))[0]
keep_data = data[ind1, :]

这样索引后得到的数组形状就是正常的(M, 4)，不需要再做reshape操作。

关于你当前的reshape方法 #

你的reshape方法确实能修正维度，但属于“事后补救”。相比上面两种方法，直接从索引环节避免额外维度的产生会更高效、更易读。

内容的提问来源于stack exchange，提问作者Marios Karaoulis