Python 将数组的行连接成一维数组的高效算法方法

我正在使用Numpy处理一些非常奇怪的表格数据。数据条目总是以每列1200个条目的形式出现

但是，行数总是不同的。有时我导入的表有12行（即numpy

ndarray.shape=（121200）

，1200乘以12个总条目，即1200*12=14400）。有时表有6行（shape=（61200）），以此类推。这里没有模式

列数始终为1200，但行数始终不同。我不知道有多少行，所以我不能写一些数学公式

我想使用

numpy.concatenate

将给定的每个数组转换为一维数组。（对于我们上面的例子，这将是shape=（114400）。）

到目前为止，对于每个单独的数组，我必须单独将其分解为N个数组（N=未知的行数），然后单独连接它们

或者，为了编写

for

语句，我必须找到行数，并为每个数组手动设置for语句

有没有更好的方法？这需要永远

编辑：对不起，把“行”和“列”混在一起了。为了反映这一点，我重新键入了上面的帖子。是的，阵列的形状一致

（n，1200）。因此，格式为

（行、列）`且列一致为1200

---

进一步的问题：我关于

numpy.reformate

的问题是数据的顺序是否改变。那么，对于一个包含6行的数组，shape（61200）是否会返回一个数组形状（17200），以保持原始顺序？就是

newarray = array([row 1, row 2, row 3, row 4, row 5, row 6])

---

？

解决您所问问题类型的两种方法是：

import numpy as np

x = np.ones((6, 12000))

a = np.reshape(x, (1, -1))

b = np.concatenate([x[i,:] for i in range(x.shape[0])])

print x.shape     # (6, 12000)
print a.shape     # (1, 72000)
print b.shape     # (72000,)

重塑

的优点是它不会复制数据，因此速度很快，但由于它只是旧数据的新视图，对

a

的更改也会更改

x

。当然，您也可以只复制重塑后的数组以获得单独的数据

concatenate

此处将创建一个副本，但请注意，复制的项目同样只是原始

x

的视图，因此每个元素只有一个副本。使串联数组具有shape

（172000）

对我来说似乎有点做作，所以我没有这样做，但如果这是您真正想要的，那么这当然是可能的

下面是一个示例，用于了解“重塑”中的排序工作原理：

x2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
c = np.reshape(x2, (1, -1))

print x2
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

print c
#  [[1 2 3 4 5 6 7 8 9]]

---

因此，有几个数组的形状

（n，1200）

制作一些简单的样品。这将更容易看到发生了什么

a = np.arange(12).reshape(2,6)
#array([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

注意数字是如何增加的

b = np.arange(18).reshape(3,6)
c = np.concatenate([a,b], axis=0)

生产

array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17]])

因为它只是第一个维度的变化，所以沿着这个维度连接是没有问题的<代码>np。vstack做同样的事情

np.concatenate(c,axis=0)
np.concatenate([c[0,:],c[1,:],c[2,:]...],axis=0)

展平后加入阵列如何：

np.concatenate([a.flatten(),b.flatten()])
# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11,  0,  1,  2,  3,  4, 5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

使用

c.flatte（）

也会得到同样的结果。（

展平

，

拉威尔

，

重塑

都做了基本相同的事情。）

---

concatenate

也可用于

展平

数组，但这不是常用的方法。实际上，这与按行分割并连接这些行是相同的。请注意，

np.vstack（c）

不是一回事。

更直接地说，他说“行的数量总是不同的”和“行的数量始终是1200”。你的描述中似乎混合了行和列。数组的形状是否一致

（n，1200）

？@hpaulji是的，数组的形状一致

（n，1200）。因此，格式是

（行、列）`并且列始终是1200。我关于numpy.reformate的问题是数据的顺序是否改变。因此，对于一个有6行的数组，shape

（61200）

，将

numpy.reformate（）

返回一个数组shape

（172000）

，以便保留原始顺序？也就是说，

arr=array（[row 1，row 2，row 3，row 4，row 5，row 6]）

？@JesseTrevve:我添加了一个示例，展示了

重塑

的排序方式，我想这正是您想要的。（另外，如果您想要相反的行为，您可以先

转置

，然后

重塑

，所有这些都不复制实际数据。）挑剔：虽然在您显示的情况下，

重塑

确实返回视图，但通常

重塑

方法有时会复制数据，如果结果不能用视图表示。（示例：

x=np.zeros（（2,4））[：，：3]；y=x.restrape（6）

）

np.concatenate(c,axis=0)
np.concatenate([c[0,:],c[1,:],c[2,:]...],axis=0)