处理python数组中的维度折叠

我在使用NumPy时遇到的一个反复出现的错误是，对数组进行索引的尝试失败，因为数组的一个维度是单态的，因此该维度被删除，无法进行索引。这在设计用于在任意大小的数组上操作的函数中尤其有问题。我正在寻找最便宜、最通用的方法来避免这个错误

下面是一个例子：

import numpy as np
f = (lambda t, u, i=0: t[:,i]*u[::-1])
a = np.eye(3)
b = np.array([1,2,3])
f(a,b)
f(a[:,0],b[1])

第一个调用按预期工作。第二个调用以两种方式失败：1）

t

不能被

[：，0]

索引，因为它具有形状

（3，）

，2）

u

根本不能被索引，因为它是标量

以下是我想到的修复方法：

1） 在

f

中使用

np.atleast_1d

和

np.atleast_2d

等（可能带有条件以确保尺寸顺序正确）以确保所有参数都具有所需的尺寸。这就排除了lambdas的使用，并且可以使用一些我不需要的行

2） 使用

f（a[：，[0]]，b[[1]]）

代替上面的

f（a[：，[0]]，b[[1]]）

。这很好，但我必须始终记住放在额外的括号中，如果索引存储在变量中，您可能不知道是否应该放在额外的括号中。例如：

idx = 1
f(a[:,[0]],b[[idx]])
idx = [2,0,1]
f(a[:,[0]],b[idx])

在这种情况下，您似乎必须首先在

idx

上调用

np.atleast_1d

，这可能比在函数中放入

np.atleast_1d

更麻烦

3） 在某些情况下，我可以不加索引而侥幸逃脱。例如：

f = lambda t, u: t[0]*u
f(a,b)
f(a[:,0],b[0])

这是可行的，而且显然是最巧妙的解决方案。但这并不是在所有情况下都有帮助（特别是，你的维度必须以正确的顺序开始）

---

那么，有没有比上述更好的方法呢？

有很多方法可以避免这种行为

首先，每当使用

切片而不是整数索引到
np.ndarray
的维度时，输出的维度数将与输入的维度数相同：

import numpy as np

x = np.arange(12).reshape(3, 4)
print x[:, 0].shape               # integer indexing
# (3,)

print x[:, 0:1].shape             # slice
# (3, 1)

这是我避免问题的首选方法，因为它很容易从单个元素概括为多元素选择（例如
x[：，i:i+1]
vs
x[：，i:i+n]
）

如前所述，还可以通过使用任意整数序列索引到维度中来避免维度丢失：

print x[:, [0]].shape             # list
# (3, 1)

print x[:, (0,)].shape            # tuple
# (3, 1)

print x[:, np.array((0,))].shape  # array
# (3, 1)

如果选择使用整数索引，则始终可以使用
np.newaxis
（或等效的
None
）插入新的单例维度：

或者，您可以手动将其重塑为正确的大小（此处使用
-1
自动推断第一个尺寸的大小）：

最后，您可以使用
np.matrix
而不是
np.ndarray
np.矩阵
的行为更像是一个MATLAB矩阵，每当您使用整数进行索引时，都会保留单个维度：

y = np.matrix(x)
print y[:, 0].shape
# (3, 1)

但是，您应该注意到，
np.matrix
和
np.ndarray
之间存在一个关系，例如，
*
运算符对数组执行元素乘法，但对矩阵执行矩阵乘法。在大多数情况下，最好坚持使用
np.ndarrays
许多numpy函数都有许多行python代码，在执行中心操作之前，这些代码会重新塑造和处理输入。例如，看看
至少1d
做了什么（它有10行长）。我感觉到了你的痛苦。我通常是这样处理的：首先我存储输入形状并检查输入是否为标量，然后我应用类似于
np的东西。至少\u 1d
并进行计算，最后我重塑结果以匹配输入形状（例如，转换回标量）。缺点：这是很多陈词滥调。优点：更灵活的界面，对调用方的惊喜更少。我认为作为特定领域库的一部分的一个相当通用的函数是值得的。
print x[:, 0].reshape(-1, 1).shape
# (3, 1)

y = np.matrix(x)
print y[:, 0].shape
# (3, 1)