Numpy 沿特定维度展开数组
我有一个数组,如下所示:Numpy 沿特定维度展开数组,numpy,multidimensional-array,reshape,tensor,numpy-ndarray,Numpy,Multidimensional Array,Reshape,Tensor,Numpy Ndarray,我有一个数组,如下所示: arr = np.arange(2*1*15).reshape(2, 1, 15) 现在,我如何扩展此数组以形成(2、10、15)。要填充值,可以使用与原始数组的(1,15)部分相同的值(即从最后两个维度开始)。您可以使用沿第二个轴复制值: np.repeat(arr, 10, axis=1).shape # (2, 10, 15) 可以使用沿第二个轴复制值: np.repeat(arr, 10, axis=1).shape # (2, 10, 15) 同时,我发
arr = np.arange(2*1*15).reshape(2, 1, 15)
现在,我如何扩展此数组以形成(2、10、15)
。要填充值,可以使用与原始数组的(1,15)
部分相同的值(即从最后两个维度开始)。您可以使用沿第二个轴复制值:
np.repeat(arr, 10, axis=1).shape
# (2, 10, 15)
可以使用沿第二个轴复制值:
np.repeat(arr, 10, axis=1).shape
# (2, 10, 15)
同时,我发现它也可以做这项工作 作为一个小的人为的例子:
In [8]: np.broadcast_to(arr, (2, 5, 15))
Out[8]:
array([[[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]],
[[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]]])
性能注意事项:计时后,我发现
numpy.broadcast\u to
比numpy.repeat
快约40倍。
原因是:
它的速度更快,因为它创建了一个只读的数据视图,其中有许多元素指向相同的内存位置。如果复制结果,则性能大致相同。如果您不需要编辑最终结果,它将提供巨大的性能提升
同时,我发现它也可以做这项工作 作为一个小的人为的例子:
In [8]: np.broadcast_to(arr, (2, 5, 15))
Out[8]:
array([[[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]],
[[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]]])
性能注意事项:计时后,我发现
numpy.broadcast\u to
比numpy.repeat
快约40倍。
原因是:
它的速度更快,因为它创建了一个只读的数据视图,其中有许多元素指向相同的内存位置。如果复制结果,则性能大致相同。如果您不需要编辑最终结果,它将提供巨大的性能提升
它的速度更快,因为它创建了一个只读的数据视图,其中有许多元素指向相同的内存位置。如果您
复制
结果,则性能大致相同。如果您不需要编辑最终结果,它将提供一个巨大的性能增益,速度更快,因为它创建了一个只读的数据视图,其中许多元素指向相同的内存位置。如果您复制
结果,则性能大致相同。如果您不需要编辑最终结果,它将提供巨大的性能提升