Python 将numpy数组转换为numpy数组数组

如何以（num）pythonic方式将numpy数组

a

转换为numpy数组

b

。理想情况下，该解决方案适用于任意尺寸和数组长度

将numpy导入为np
a=np.arange（12）。重塑（2,3,2）
b=np.empty（（2,3），dtype=object）
b[0,0]=np.数组（[0,1]）
b[0,1]=np.数组（[2,3]）
b[0,2]=np.数组（[4,5]）
b[1,0]=np.数组（[6,7]）
b[1,1]=np.数组（[8,9]）
b[1,2]=np.数组（[10,11]）

首先：

In [638]: a=np.arange(12).reshape(2,3,2)
In [639]: b=np.empty((2,3),dtype=object)
In [640]: for index in np.ndindex(b.shape):
    b[index]=a[index]
   .....:     
In [641]: b
Out[641]: 
array([[array([0, 1]), array([2, 3]), array([4, 5])],
       [array([6, 7]), array([8, 9]), array([10, 11])]], dtype=object)

这并不理想，因为它使用迭代。但我想知道是否有可能以任何其他方式访问

b

的元素。通过使用

dtype=object

可以打破

numpy

已知的基本矢量化

b

本质上是一个带有

numpy

多数组形状覆盖的列表

dtype=object

在大小为2的阵列周围设置了一堵无法穿透的墙

例如，

a[：，：，0]

以（2,3）数组给出所有偶数。仅仅通过索引，我无法从

b

获取这些数字。我必须使用迭代：

[b[index][0] for index in np.ndindex(b.shape)]
# [0, 2, 4, 6, 8, 10]

---

np.array

根据数据的规律性，尝试生成尽可能高维的数组。为了骗它生成一个对象数组，我们必须给出一个不规则的列表或对象列表。例如，我们可以：

mylist = list(a.reshape(-1,2)) # list of arrays
mylist.append([]) # make the list irregular
b = np.array(mylist)  # array of objects
b = b[:-1].reshape(2,3)  # cleanup

---

最后一个解决方案建议我的第一个可以稍微清理一下：

b = np.empty((6,),dtype=object)
b[:] = list(a.reshape(-1,2))
b = b.reshape(2,3)

我怀疑在封面下，

list（）

调用会进行如下迭代

[x for x in a.reshape(-1,2)]

因此，就时间而言，它可能与

ndindex

时间没有太大区别

---

关于

b

我没有想到的一件事是，我可以用它来做数学运算，它的概括性几乎与

a

相同：

b-10
b += 10
b *= 2

---

对象数据类型的另一种选择是结构化数据类型，例如

In [785]: b1=np.zeros((2,3),dtype=[('f0',int,(2,))])

In [786]: b1['f0'][:]=a

In [787]: b1
Out[787]: 
array([[([0, 1],), ([2, 3],), ([4, 5],)],
       [([6, 7],), ([8, 9],), ([10, 11],)]], 
      dtype=[('f0', '<i4', (2,))])

In [788]: b1['f0']
Out[788]: 
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])

In [789]: b1[1,1]['f0']
Out[789]: array([8, 9])

[785]中的[code]：b1=np.zero（（2,3），dtype=[（'f0'，int，（2，）]）） 在[786]中：b1['f0'][：]=a In[787]：b1 出[787]： 数组（[[（[0,1]，），（[2,3]，），（[4,5]，）]， [([6, 7],), ([8, 9],), ([10, 11],)]], dtype=[（'f0'，'作为开始：

In [638]: a=np.arange(12).reshape(2,3,2)
In [639]: b=np.empty((2,3),dtype=object)
In [640]: for index in np.ndindex(b.shape):
    b[index]=a[index]
   .....:     
In [641]: b
Out[641]: 
array([[array([0, 1]), array([2, 3]), array([4, 5])],
       [array([6, 7]), array([8, 9]), array([10, 11])]], dtype=object)

由于使用迭代，它并不理想。但我想知道是否有可能以任何其他方式访问

b

的元素。通过使用

dtype=object

您打破了

numpy

已知的基本向量化。

b

本质上是一个具有

numpy

多数组形状覆盖的列表。

dtype=object

在大小为2的阵列周围设置了一堵无法穿透的墙

例如，

a[：，：，0]

给出了一个（2,3）数组中的所有偶数。我无法仅通过索引从

b

中获取这些数字。我必须使用迭代：

[b[index][0] for index in np.ndindex(b.shape)]
# [0, 2, 4, 6, 8, 10]

---

np.array

根据数据的规律性，尝试制作尽可能高维的数组。要愚弄它制作对象数组，我们必须给出一个不规则的列表或对象列表。例如，我们可以：

mylist = list(a.reshape(-1,2)) # list of arrays
mylist.append([]) # make the list irregular
b = np.array(mylist)  # array of objects
b = b[:-1].reshape(2,3)  # cleanup

---

最后一个解决方案建议我的第一个可以稍微清理一下：

b = np.empty((6,),dtype=object)
b[:] = list(a.reshape(-1,2))
b = b.reshape(2,3)

我怀疑在封面下，

list（）

调用会进行如下迭代

[x for x in a.reshape(-1,2)]

因此，就时间而言，它可能与

ndindex

时间没有太大区别

---

关于

b

我没有想到的一件事是，我可以用它来做数学运算，它的概括性几乎与

a

相同：

b-10
b += 10
b *= 2

---

对象数据类型的另一种选择是结构化数据类型，例如

In [785]: b1=np.zeros((2,3),dtype=[('f0',int,(2,))])

In [786]: b1['f0'][:]=a

In [787]: b1
Out[787]: 
array([[([0, 1],), ([2, 3],), ([4, 5],)],
       [([6, 7],), ([8, 9],), ([10, 11],)]], 
      dtype=[('f0', '<i4', (2,))])

In [788]: b1['f0']
Out[788]: 
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])

In [789]: b1[1,1]['f0']
Out[789]: array([8, 9])

[785]中的[code]：b1=np.zero（（2,3），dtype=[（'f0'，int，（2，）]）） 在[786]中：b1['f0'][：]=a In[787]：b1 出[787]： 数组（[[（[0,1]，），（[2,3]，），（[4,5]，）]， [([6, 7],), ([8, 9],), ([10, 11],)]], dtype=[（'f0'，'作为开始：

In [638]: a=np.arange(12).reshape(2,3,2)
In [639]: b=np.empty((2,3),dtype=object)
In [640]: for index in np.ndindex(b.shape):
    b[index]=a[index]
   .....:     
In [641]: b
Out[641]: 
array([[array([0, 1]), array([2, 3]), array([4, 5])],
       [array([6, 7]), array([8, 9]), array([10, 11])]], dtype=object)

由于使用迭代，它并不理想。但我想知道是否有可能以任何其他方式访问

b

的元素。通过使用

dtype=object

您打破了

numpy

已知的基本向量化。

b

本质上是一个具有

numpy

多数组形状覆盖的列表。

dtype=object

在大小为2的阵列周围设置了一堵无法穿透的墙

例如，

a[：，：，0]

给出了一个（2,3）数组中的所有偶数。我无法仅通过索引从

b

中获取这些数字。我必须使用迭代：

[b[index][0] for index in np.ndindex(b.shape)]
# [0, 2, 4, 6, 8, 10]

---

np.array

根据数据的规律性，尝试制作尽可能高维的数组。要愚弄它制作对象数组，我们必须给出一个不规则的列表或对象列表。例如，我们可以：

mylist = list(a.reshape(-1,2)) # list of arrays
mylist.append([]) # make the list irregular
b = np.array(mylist)  # array of objects
b = b[:-1].reshape(2,3)  # cleanup

---

最后一个解决方案建议我的第一个可以稍微清理一下：

b = np.empty((6,),dtype=object)
b[:] = list(a.reshape(-1,2))
b = b.reshape(2,3)

我怀疑在封面下，

list（）

调用会进行如下迭代

[x for x in a.reshape(-1,2)]

因此，就时间而言，它可能与

ndindex

时间没有太大区别

---

关于

b

我没有想到的一件事是，我可以用它来做数学运算，它的概括性几乎与

a

相同：

b-10
b += 10
b *= 2

---

对象数据类型的另一种选择是结构化数据类型，例如

In [785]: b1=np.zeros((2,3),dtype=[('f0',int,(2,))])

In [786]: b1['f0'][:]=a

In [787]: b1
Out[787]: 
array([[([0, 1],), ([2, 3],), ([4, 5],)],
       [([6, 7],), ([8, 9],), ([10, 11],)]], 
      dtype=[('f0', '<i4', (2,))])

In [788]: b1['f0']
Out[788]: 
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])

In [789]: b1[1,1]['f0']
Out[789]: array([8, 9])

[785]中的[code]：b1=np.zero（（2,3），dtype=[（'f0'，int，（2，）]）） 在[786]中：b1['f0'][：]=a In[787]：b1 出[787]： 数组（[[（[0,1]，），（[2,3]，），（[4,5]，）]， [([6, 7],), ([8, 9],), ([10, 11],)]], dtype=[（'f0'，'作为开始：

In [638]: a=np.arange(12).reshape(2,3,2)
In [639]: b=np.empty((2,3),dtype=object)
In [640]: for index in np.ndindex(b.shape):
    b[index]=a[index]
   .....:     
In [641]: b
Out[641]: 
array([[array([0, 1]), array([2, 3]), array([4, 5])],
       [array([6, 7]), array([8, 9]), array([10, 11])]], dtype=object)

由于使用迭代，它并不理想。但我想知道是否有可能以任何其他方式访问

b

的元素。通过使用

dtype=object

您打破了

numpy

已知的基本向量化。

b

本质上是一个具有

numpy

多数组形状覆盖的列表。

dtype=object

在大小为2的阵列周围设置了一堵无法穿透的墙

例如，

a[：，：，0]

给出了一个（2,3）数组中的所有偶数。我无法仅通过索引从

b

中获取这些数字。我必须使用迭代：

[b[index][0] for index in np.ndindex(b.shape)]
# [0, 2, 4, 6, 8, 10]

---

np.array

根据数据的规律性，尝试生成尽可能高维的数组