Python 改变要一起广播的不同维度的数组

我正在寻找一种更优化的方法将（n，n）或（n，n，1）矩阵转换为（n，n，3）矩阵。我从一个（n，n，3）开始，但是当我在第二个轴上求和到（n，n）后，我的维度会减小。基本上，我想保持数组的原始大小，让第二个轴重复3次。我之所以需要它，是因为我稍后将用另一个（n，n，3）数组来广播它，但它们需要相同的维度

我目前的方法是有效的，但看起来并不优雅

a0=np.random.random((n,n))
b=a.flatten().tolist()
a=np.array(zip(b,b,b))
a.shape=n,n,3

---

此设置具有所需的结果，但笨重且难以遵循。是否有一种方法可以通过复制第二个索引直接从（n，n）到（n，n，3）？或者是一种不缩小阵列尺寸的方法？

您可以首先在

a

上创建一个新轴（轴=2），然后使用

np。沿此新轴重复
：

np.repeat(a[:,:,None], 3, axis = 2)

或另一种方法，展平阵列，重复元素，然后重塑形状：

np.repeat(a.ravel(), 3).reshape(n,n,3)


结果比较：

import numpy as np
n = 4
a=np.random.random((n,n))
b=a.flatten().tolist()
a1=np.array(zip(b,b,b))
a1.shape=n,n,3
# a1 is the result from the original method

(np.repeat(a[:,:,None], 3, axis = 2) == a1).all()
# True

(np.repeat(a.ravel(), 3).reshape(4,4,3) == a1).all()
# True


定时，使用内置的
numpy。重复
也会显示加速：

import numpy as np
n = 4
a=np.random.random((n,n))
​
def rep():
    b=a.flatten().tolist()
    a1=np.array(zip(b,b,b))
    a1.shape=n,n,3

%timeit rep()
# 100000 loops, best of 3: 7.11 µs per loop

%timeit np.repeat(a[:,:,None], 3, axis = 2)
# 1000000 loops, best of 3: 1.64 µs per loop

%timeit np.repeat(a.ravel(), 3).reshape(4,4,3)
# 1000000 loops, best of 3: 1.9 µs per loop

None
或
np.newaxis
是向数组添加维度的常用方法<代码>使用（3,3,1）重塑
同样有效：

In [64]: arr=np.arange(9).reshape(3,3)
In [65]: arr1 = arr[...,None]
In [66]: arr1.shape
Out[66]: (3, 3, 1)

重复
，因为函数或方法会复制此操作

In [72]: arr2=arr1.repeat(3,axis=2)
In [73]: arr2.shape
Out[73]: (3, 3, 3)
In [74]: arr2[0,0,:]
Out[74]: array([0, 0, 0])

但你可能不需要这样做。与广播a（3,3,1）配合使用a（3,3,3）

事实上，它会用一个（3，）来播放制作（3，3，3）

所以
arr1+np.zeros（3，int）
是将（3,3,1）扩展到（3,3,3）的另一种方法

广播规则如下：

(3,3,1) + (3,) => (3,3,1) + (1,1,3) => (3,3,3)

广播会根据需要在开始处添加维度

在轴上求和时，可以使用以下参数保持原始尺寸数：

In [78]: arr2.sum(axis=2).shape
Out[78]: (3, 3)
In [79]: arr2.sum(axis=2, keepdims=True).shape
Out[79]: (3, 3, 1)

如果要从沿任意维度的数组中减去平均值，此操作非常方便：

arr2-arr2.mean(axis=2, keepdims=True)

In [78]: arr2.sum(axis=2).shape
Out[78]: (3, 3)
In [79]: arr2.sum(axis=2, keepdims=True).shape
Out[79]: (3, 3, 1)

arr2-arr2.mean(axis=2, keepdims=True)