多维numpy数组的对角线
是否有一种更具蟒蛇风格的方法来执行以下操作:多维numpy数组的对角线,numpy,multidimensional-array,diagonal,Numpy,Multidimensional Array,Diagonal,是否有一种更具蟒蛇风格的方法来执行以下操作: import numpy as np def diagonal(A): (x,y,y) = A.shape diags = [] for a in A: diags.append(np.diagonal(a)) result = np.vstack(diags) assert result.shape == (x,y) return result 假设A将是一个具有形状(m,n,n)的数组(即A可以解
import numpy as np
def diagonal(A):
(x,y,y) = A.shape
diags = []
for a in A: diags.append(np.diagonal(a))
result = np.vstack(diags)
assert result.shape == (x,y)
return result
假设
A
将是一个具有形状(m,n,n)的数组(即A
可以解释为具有形状(n,n)
的m
数组的集合),下面是一个返回输入视图的快速方法:
In [14]: from numpy.lib.stride_tricks import as_strided
In [15]: def diags(a):
....: b = as_strided(a, strides=(a.strides[0], a.strides[1]+a.strides[2]), shape=(a.shape[0], a.shape[1]))
....: return b
....:
In [16]: a
Out[16]:
array([[[8, 6, 6, 5],
[1, 0, 3, 5],
[8, 1, 6, 7],
[2, 8, 7, 1]],
[[0, 8, 8, 0],
[1, 4, 2, 4],
[1, 4, 5, 6],
[2, 5, 2, 7]],
[[5, 2, 5, 2],
[2, 5, 7, 6],
[6, 5, 1, 8],
[7, 6, 5, 8]]])
In [17]: diags(a)
Out[17]:
array([[8, 0, 6, 1],
[0, 4, 5, 7],
[5, 5, 1, 8]])
当我说返回值是一个视图时,我的意思是它引用与输入相同的底层内存。因此,如果以后更改返回值,原始输入也会更改。比如说,
In [24]: d = diags(a)
In [25]: d[0, :] = 99
In [26]: a[0]
Out[26]:
array([[99, 6, 6, 5],
[ 1, 99, 3, 5],
[ 8, 1, 99, 7],
[ 2, 8, 7, 99]])
方法#1
一种干净的方法是使用输入数组的转置版本,如下所示-
np.diagonal(A.T)
基本上,我们使用A.T
翻转输入数组的维度,让np.diagonal
使用最后两个轴来提取对角线元素,因为默认情况下,它会使用前两个轴。最好的情况是,这适用于任意维数的数组
方法#2
下面是另一种使用-
还可以对基本索引
-
out = A.reshape(m,-1)[:,np.eye(n,dtype=bool).ravel()]
样本运行-
In [87]: A
Out[87]:
array([[[73, 52, 62],
[20, 7, 7],
[ 1, 68, 89]],
[[15, 78, 98],
[24, 22, 35],
[19, 1, 91]],
[[ 5, 37, 64],
[22, 4, 43],
[84, 45, 12]],
[[24, 45, 42],
[70, 45, 1],
[ 6, 48, 60]]])
In [88]: np.diagonal(A.T)
Out[88]:
array([[73, 7, 89],
[15, 22, 91],
[ 5, 4, 12],
[24, 45, 60]])
In [89]: m,n = A.shape[:2]
In [90]: A[np.arange(m)[:,None],np.eye(n,dtype=bool)]
Out[90]:
array([[73, 7, 89],
[15, 22, 91],
[ 5, 4, 12],
[24, 45, 60]])
请详细说明
A
是什么。你认为它是一个n*m*m
matrix吗?@evan058是的,我试图用对角线()函数的第一行来表达这个假设。谢谢,看起来很像python。尽管如此,它看起来不是特别干净或直观。有更好的方法吗?“干净”、“直观”、“更好”。。。这取决于你对这些词的定义。话虽如此,@Divakar的回答看起来很好(和往常一样!),尤其是方法1。我想你再也洗不干净了。
In [87]: A
Out[87]:
array([[[73, 52, 62],
[20, 7, 7],
[ 1, 68, 89]],
[[15, 78, 98],
[24, 22, 35],
[19, 1, 91]],
[[ 5, 37, 64],
[22, 4, 43],
[84, 45, 12]],
[[24, 45, 42],
[70, 45, 1],
[ 6, 48, 60]]])
In [88]: np.diagonal(A.T)
Out[88]:
array([[73, 7, 89],
[15, 22, 91],
[ 5, 4, 12],
[24, 45, 60]])
In [89]: m,n = A.shape[:2]
In [90]: A[np.arange(m)[:,None],np.eye(n,dtype=bool)]
Out[90]:
array([[73, 7, 89],
[15, 22, 91],
[ 5, 4, 12],
[24, 45, 60]])