Python:3D列主张量到行主张量

我使用

scipy.io

将Mat文件读入python，加载3D张量。我在网上找到的大多数参考文献只讨论了2个维度，在维度超过2的数据中，我很难将注意力集中在从列专业到行专业

scipy.io是否自动处理从列主目录（order='F'）到行主目录（order='C'）的转换

如果不是1，那么有没有比结合使用

ravel

和

restrape

和

order

来更改三维张量更好的方法

如果不是2，是否有方法通过编程确定转换张量的形状？在下面的示例中，我使用了“展开”和“重塑”，但很明显，原始形状不合适 示例

在这个例子中，假设我有一个（2，4，3）维矩阵，它是在列MARGER中读取的，我想将它反转为行MARGER

import numpy as np

lst3d = [[[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]], [[13, 14, 15], [17, 18, 19], [21, 22, 23], [25, 26, 27]]]

print(lst3d)
a = np.array(lst3d)
b = np.array(lst3d)

print(a.shape)
print('----------')
print(a.ravel(order='C').reshape(a.shape))
print('----------')
print(b.ravel(order='F').reshape(b.shape))

产出：

[[[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]], [[13, 14, 15], [17, 18, 19], [21, 22, 23], [25, 26, 27]]]
(2, 4, 3)
----------
[[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]
  [ 9 10 11]]

 [[13 14 15]
  [17 18 19]
  [21 22 23]
  [25 26 27]]]
----------
[[[ 0 13  3]
  [17  6 21]
  [ 9 25  1]
  [14  4 18]]

 [[ 7 22 10]
  [26  2 15]
  [ 5 19  8]
  [23 11 27]]]

相关的

倍频程：

>> x=0:23;
>> x=reshape(x,2,4,3);
>> x
x =
ans(:,:,1) =
   0   2   4   6
   1   3   5   7
ans(:,:,2) =
    8   10   12   14
    9   11   13   15
ans(:,:,3) =
   16   18   20   22
   17   19   21   23
>> save -v7 test3d x

在ipython：

In [192]: data = io.loadmat('test3d')
In [194]: x=data['x']
In [195]: x
Out[195]: 
array([[[ 0.,  8., 16.],
        [ 2., 10., 18.],
        [ 4., 12., 20.],
        [ 6., 14., 22.]],

       [[ 1.,  9., 17.],
        [ 3., 11., 19.],
        [ 5., 13., 21.],
        [ 7., 15., 23.]]])
In [196]: x.shape
Out[196]: (2, 4, 3)

显示为八度：

In [197]: x[:,:,0]
Out[197]: 
array([[0., 2., 4., 6.],
       [1., 3., 5., 7.]])

loadmat

已按

F

顺序加载，具有相同的2,4,3形状。右边的

ravel

生成原始的0:23数字：

In [200]: x.ravel(order='F')
Out[200]: 
array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12.,
       13., 14., 15., 16., 17., 18., 19., 20., 21., 22., 23.])

x

的转置产生（3,4,2）阶“C”数组：

In [207]: x.T[0]
Out[207]: 
array([[0., 1.],
       [2., 3.],
       [4., 5.],
       [6., 7.]])
In [208]: y=np.arange(24).reshape(3,4,2)
In [209]: y[0]
Out[209]: 
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])

我写了一封很长的回信。看看它能解决你的问题。我指出有两个显著的区别：轴顺序和显示样式。