Python 将三维阵列切片为多个二维阵列_Python_Numpy

Python 将三维阵列切片为多个二维阵列

python numpy

Python 将三维阵列切片为多个二维阵列,python,numpy,Python,Numpy,我有一个形状的numpy数组（64,64,3）。我们如何获得三个维度（64,64）的数组您可以使用moveaxis将拆分轴一直向左移动，然后使用序列解包： x,y,z = np.moveaxis(arr, -1, 0) 您可以使用moveaxis将拆分轴一直向左移动，然后使用序列解包： x,y,z = np.moveaxis(arr, -1, 0) 这是迭代的另一种情况，对于一些步骤来说，迭代是不错的 In [145]: arr = np.ones((64,64,3)) 打开列表： In

我有一个形状的numpy数组（64,64,3）。我们如何获得三个维度（64,64）的数组

您可以使用

moveaxis

将拆分轴一直向左移动，然后使用序列解包：

x,y,z = np.moveaxis(arr, -1, 0)

您可以使用

moveaxis

将拆分轴一直向左移动，然后使用序列解包：

x,y,z = np.moveaxis(arr, -1, 0)

这是迭代的另一种情况，对于一些步骤来说，迭代是不错的

In [145]: arr = np.ones((64,64,3))

打开列表：

In [146]: a,b,c = [arr[:,:,i] for i in range(3)]
In [147]: a.shape
Out[147]: (64, 64)

解包转置阵列：

In [148]: a,b,c = np.moveaxis(arr,-1,0)
In [149]: a.shape
Out[149]: (64, 64)

这样一个小例子的时间安排并非开创性的，但它们暗示了这两种方法的相对优势：

In [150]: timeit a,b,c = [arr[:,:,i] for i in range(3)]
3.02 µs ± 10.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [151]: timeit a,b,c = np.moveaxis(arr,-1,0)
18.4 µs ± 946 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

阵列解包（第1维）需要将阵列转换为包含3个子阵列的列表，这可以从以下类似计时中看出：

In [154]: timeit a,b,c = list(np.moveaxis(arr,-1,0))
17.8 µs ± 15.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [155]: timeit a,b,c = [i for i in np.moveaxis(arr,-1,0)]
17.9 µs ± 14.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

花费时间的不是解包或迭代。这是

moveaxis

：

In [156]: timeit np.moveaxis(arr,-1,0)
14 µs ± 4.41 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

查看其代码，我们看到它使用了

转置

，首先从参数构建了

顺序

：

直接调用

transpose

速度很快（因为它只涉及改变形状和步幅）：

解包这个转置比我原来理解列表的速度要快一点

In [158]: timeit a,b,c = arr.transpose(2,0,1)
2.78 µs ± 9.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

因此，相对于任务的其余部分，

moveaxis

有很大的开销。也就是说，它可能不会随着阵列的侧面而增加。这是一个固定的开销。

这是另一种情况，在这种情况下，迭代对于几个步骤来说是不错的

In [145]: arr = np.ones((64,64,3))