Numpy广播到第四维度：。。。对：对无

在montecarlo模拟中，我有以下7张扑克牌供2名玩家和3次不同的montecarlo跑步

自助卡：

array([[[  6.,  12.],
    [  1.,   6.],
    [  3.,   3.],
    [  8.,   8.],
    [  1.,   1.],
    [  4.,   4.],
    [  2.,   2.]],

   [[  6.,   7.],
    [  1.,   1.],
    [  3.,   3.],
    [  2.,   2.],
    [ 12.,  12.],
    [  5.,   5.],
    [ 10.,  10.]],

   [[  6.,   3.],
    [  1.,  11.],
    [  2.,   2.],
    [  6.,   6.],
    [ 12.,  12.],
    [  6.,   6.],
    [  7.,   7.]]])

相应的诉讼为：

西服

array([[[ 2.,  1.],
    [ 1.,  2.],
    [ 2.,  2.],
    [ 2.,  2.],
    [ 1.,  1.],
    [ 2.,  2.],
    [ 2.,  2.]],

   [[ 2.,  0.],
    [ 1.,  3.],
    [ 2.,  2.],
    [ 0.,  0.],
    [ 1.,  1.],
    [ 1.,  1.],
    [ 1.,  1.]],

   [[ 2.,  2.],
    [ 1.,  0.],
    [ 3.,  3.],
    [ 2.,  2.],
    [ 1.,  1.],
    [ 1.,  1.],
    [ 1.,  1.]]])

现在，我想以一种方式“合并”数组，即将卡片数组扩展到第四维，大小为4:0，其中包含所有套装==1、1所有套装==2、2所有套装==3和3所有套装==4

我可以轻松创建4个不同的阵列：

club_cards=(self.suits == 1) * self.cards 
diamond_cards=(self.suits == 2) * self.cards 
heart_cards=(self.suits == 3) * self.cards 
spade_cards=(self.suits == 4) * self.cards

然后将它们堆叠在一起：

stacked_array=np.stack((club_cards,diamond_cards, heart_cards, spade_cards),axis=0)

预期结果的形状为（4,3,8,2）

虽然这在上述情况下可能有意义，但并不总是可能的，特别是如果有超过4个案例需要堆叠在一起，这就引出了我的问题：

我怎样才能通过广播做到这一点？以下是我的具体问题：

我试过一些东西

让我们重点关注第一步，以获得doing suits==np.arange（4）中的布尔值（第二步只是与需要以与suits相同的方式广播的卡片相乘）。我的理解是，我们想为suites数组添加一个维度，所以我们不应该用3点符号来表示：

self.suites[…，：，：，：]==np.arange（4）

？相反，下面的方法似乎几乎有效：

self.suits[：，：，：，None]==np.arange（4）

（除了在错误的位置添加维度）。以下内容也不起作用：

self.suits[None，：，：，：，：]==np.arange（4）

。如何在第一维度扩展数组，使结果与上面堆栈中的结果相同

在什么情况下我需要

…

以及

无

时？我希望使用

…

，因为这将表示需要根据需要扩展此维度（在本例中为4的大小）？为什么这似乎是不正确的，而使用了None

---

您正在沿

轴=0

堆叠独立卡结果。因此，当移植到基于广播的解决方案时，我们可以在

4D

阵列中创建这些标量

1、2、3、4

的范围数组，除第一个轴外，所有轴都是单重维度（长度为1的DIM）。创建这样一个

4D

数组可能有不同的方法。一种方法是：

np.arange（1,5）[：，None，None，None]

，我们用

np.arange

创建一个

1D

数组，只需添加三个单件DIM，作为最后三个单件DIM

我们将该

4D

数组与

b

进行相等比较，这将允许

b

元素沿最后三个DIM内部相等。然后，我们将其与原始代码中的

a相乘，得到所需的输出

因此，执行工作将是非常重要的-

out = a*(b == np.arange(1,5)[:,None,None,None]) 

何时/如何使用
。
（省略号）：

在尝试将新轴添加到多维数组中时，我们使用
…
（省略号），并且不希望指定每个dim的
冒号。因此，要使
a
a
4D
数组的最后一个dim为单态，我们将执行：
a[：，：，：，无]
。打字太多了！因此，我们使用那里的
…
来帮助我们：
a[…，None]
。请注意，此
…
符号的使用与尺寸数量无关。因此，如果
a
是一个
5D
数组，并在其中添加一个新轴作为最后一个轴，我们将执行
a[：，：，：，：，：，无]
或只需省略号：
a[…，无]
。整洁啊
 您正在沿
轴=0
堆叠独立卡结果。因此，当移植到基于广播的解决方案时，我们可以在
4D
阵列中创建这些标量
1、2、3、4
的范围数组，除第一个轴外，所有轴都是单重维度（长度为1的DIM）。创建这样一个
4D
数组可能有不同的方法。一种方法是：
np.arange（1,5）[：，None，None，None]
，我们用
np.arange
创建一个
1D
数组，只需添加三个单件DIM，作为最后三个单件DIM

我们将该
4D
数组与
b
进行相等比较，这将允许
b
元素沿最后三个DIM内部相等。然后，我们将其与原始代码中的
a相乘，得到所需的输出

因此，执行工作将是非常重要的-

out = a*(b == np.arange(1,5)[:,None,None,None]) 

何时/如何使用
。
（省略号）：

在尝试将新轴添加到多维数组中时，我们使用
…
（省略号），并且不希望指定每个dim的
冒号。因此，要使
a
a
4D
数组的最后一个dim为单态，我们将执行：
a[：，：，：，无]
。打字太多了！因此，我们使用那里的
…
来帮助我们：
a[…，None]
。请注意，此
…
符号的使用与尺寸数量无关。因此，如果
a
是一个
5D
数组，并在其中添加一个新轴作为最后一个轴，我们将执行
a[：，：，：，：，：，无]
或只需省略号：
a[…，无]
。整洁啊
 形状
（4,3,7,2）
的输出不是吗？它是8，因为我为ace low Straight添加了一张虚拟卡（最高卡-12），形状
（4,3,7,2）
的输出不是吗？它是8，因为我为ace low Straight添加了一张虚拟卡（最高卡-12），效果非常好。我只是想知道有没有什么解决方案。。。使用了符号，但我仍然不知道何时使用它。@nickpick看看这是否有帮助-。这里不需要它，因为我们没有在任何多维数组中添加新的轴。明白了：对于三维数组，a[…，0]与a[：，：，0]相同，对于4d，a[：，：，：，0]，类似地，[0，…，0]是[0，：，：，，，：，0]。thanks@nickpick在上面添加了一个部分。@rayryeng是的，我想链接的帖子已经解释过了