Arrays 尽管网上有很多例子，但我无法让我的MATLAB repmat等价物在python中工作

我试图做一些numpy矩阵数学，因为我需要从MATLAB复制repmat函数。我知道网上有上千个例子，但我似乎无法让其中任何一个起作用

以下是我尝试运行的代码： 函数getDMap（image，mapSize）需要一个OpenCV2 HSV图像作为其image参数，它是一个具有3维的numpy数组：

[：，：，：]

。它还需要一个包含2个元素的元组作为其imSize参数，当然要确保传递参数的函数考虑到在numpy数组中交换行和列（不是：x，y，，而是：y，x）

newSize然后包含一个元组，其中包含用于将输入图像调整到特定比例的分形，并且sm成为输入图像的调整大小版本。这一切都很好

这是我的目标： 以下一行：

np.array（[np.tile（sm[i，j，：]，（len（sm[0]），len（sm[1]））用于xrange（len（sm[2]））中的k）

应与MATLAB表达式等效的函数：

repmat（sm（j，i，：），[size（sm，1）size（sm，2）]）

这是我的问题： 为此，尺寸为800x479x3的OpenCV2图像作为图像参数传递，而（64,48）（一个元组）作为imSize参数传递。 但是，在测试时，我得到以下ValueError：

dmap=sm[：，：，：]-np.array（[np.tile（sm[i，j，：]，（len（sm[0]），和， len（sm[1]））表示xrange中的k（len（sm[2]））]
ValueError:操作数无法与一起广播 形状（48,64,3）（64,64192）

---

因此，数组维度似乎不匹配，numpy对此存在问题。但我的问题是什么？我该如何使其工作？

len（sm[0]）

和

len（sm[1]）

不是

sm

的第一维度和第二维度的大小。它们是

sm

的第一行和第二行的长度，应该返回相同的值。您可能想用

sm.shape[0]

和

sm.shape[1]

替换它们，它们与您的Matlab代码相当，尽管我不确定它是否会像您预期的那样工作。

len（sm[0]）

和

len（sm[1]）

不是

sm的第一维和第二维的大小。它们是
sm
的第一行和第二行的长度，应该返回相同的值。您可能希望将它们替换为
sm.shape[0]
和
sm.shape[1]
，它们与您的Matlab代码等效，尽管我不确定它是否会像您预期的那样工作。
这两个计算匹配：

octave:26> sm=reshape(1:12,2,2,3)
octave:27> x=repmat(sm(1,2,:),[size(sm,1) size(sm,2)])
octave:28> x(:,:,2)
   7   7
   7   7


In [45]: sm=np.arange(1,13).reshape(2,2,3,order='F')
In [46]: x=np.tile(sm[0,1,:],[sm.shape[0],sm.shape[1],1])
In [47]: x[:,:,1]
Out[47]: 
array([[7, 7],
       [7, 7]])

这是：

 sm[:,:,:]-np.array([np.tile(sm[0,1,:], (2,2,1)) for k in xrange(3)])

但它会生成一个（3,2,2,3）数组，并在第一维上进行复制。我认为你不想要那种
k
循环

你的意图是什么

 for i in ...:
     for j in ...:
         data = ...

您只能从上一次迭代中获得结果。您想要
数据+=…
？如果是这样，这可能会起作用（对于（N，M，K）形状的
sm
）

事实上，我甚至不需要瓷砖。让广播来做这项工作：

 np.sum(np.array([sm-sm[i,j,:] for i in xrange(N) for j in xrange(M)]),axis=0)

我可以通过
repeat
消除循环

sm1 = sm.reshape(N*M,L)  # combine 1st 2 dim to simplify repeat
z1 = np.repeat(sm1, N*M, axis=0).reshape(N*M,N*M,L)
x1 = np.sum(sm1 - z1, axis=0).reshape(N,M,L)

我也可以将广播应用于最后一个案例

x4 = np.sum(sm1-sm1[:,None,:], 0).reshape(N,M,L)
# = np.sum(sm1[None,:,:]-sm1[:,None,:], 0).reshape(N,M,L)

使用
sm
我必须展开（和求和）两个维度：

x5 = np.sum(np.sum(sm[None,:,None,:,:]-sm[:,None,:,None,:],0),1)

这两种计算结果相匹配：

octave:26> sm=reshape(1:12,2,2,3)
octave:27> x=repmat(sm(1,2,:),[size(sm,1) size(sm,2)])
octave:28> x(:,:,2)
   7   7
   7   7


In [45]: sm=np.arange(1,13).reshape(2,2,3,order='F')
In [46]: x=np.tile(sm[0,1,:],[sm.shape[0],sm.shape[1],1])
In [47]: x[:,:,1]
Out[47]: 
array([[7, 7],
       [7, 7]])

这是：

 sm[:,:,:]-np.array([np.tile(sm[0,1,:], (2,2,1)) for k in xrange(3)])

但它会生成一个（3,2,2,3）数组，并在第一维上进行复制。我认为你不想要那种
k
循环

你的意图是什么

 for i in ...:
     for j in ...:
         data = ...

您只能从上一次迭代中获得结果。您想要
数据+=…
？如果是这样，这可能会起作用（对于（N，M，K）形状的
sm
）

事实上，我甚至不需要瓷砖。让广播来做这项工作：

 np.sum(np.array([sm-sm[i,j,:] for i in xrange(N) for j in xrange(M)]),axis=0)

我可以通过
repeat
消除循环

sm1 = sm.reshape(N*M,L)  # combine 1st 2 dim to simplify repeat
z1 = np.repeat(sm1, N*M, axis=0).reshape(N*M,N*M,L)
x1 = np.sum(sm1 - z1, axis=0).reshape(N,M,L)

我也可以将广播应用于最后一个案例

x4 = np.sum(sm1-sm1[:,None,:], 0).reshape(N,M,L)
# = np.sum(sm1[None,:,:]-sm1[:,None,:], 0).reshape(N,M,L)

使用
sm
我必须展开（和求和）两个维度：

x5 = np.sum(np.sum(sm[None,:,None,:,:]-sm[:,None,:,None,:],0),1)

谢谢，多亏了你的解释，我已经解决了。我没有完全理解阵列内部应该发生什么。具有讽刺意味的是，在实现解决方案之后，我发现有一个函数numpy.matlib.repmat（）正好满足了我的要求。。无论如何，谢谢你的帮助！那
matlab.repmat
最后做了一整串
restrape
和
repeat
s:
a.restrape（1，a.size.）.repeat（m，0）.restrape（rows，origcols）.repat（n，0）
的八度版本
repmat
使用
restrape
s和
one（1，p）
<代码>重塑

添加或合并维度，

一个

扩展所选维度。我使用广播发现问题的对称性，使

repmat

模糊。谢谢，感谢您的解释，我已经解决了这个问题。我没有完全理解阵列内部应该发生什么。具有讽刺意味的是，在实现解决方案之后，我发现有一个函数numpy.matlib.repmat（）正好满足了我的要求。。无论如何，谢谢你的帮助！那

matlab.repmat

最后做了一整串

restrape

和

repeat

s:

a.restrape（1，a.size.）.repeat（m，0）.restrape（rows，origcols）.repat（n，0）

的八度版本

repmat

使用

restrape

s和

one（1，p）

<代码>重塑添加或合并维度，

一个

扩展选定维度。我发现问题的对称性是使用广播使

repmat

模糊。关于DIM，您是对的。我本可以用np.size（）来做这件事。你说的dims是对的。我可以使用np.size（）来实现这一点。repmat在使用代码的Numpy中很少需要，因为广播以更一般的方式提供相同的函数。repmat在使用代码的Numpy中很少需要，因为广播以更一般的方式提供相同的函数。