Python 折叠numpy数组的所有维度(前两个除外)
我有一个可变维numpy数组,例如,它可以有以下形状Python 折叠numpy数组的所有维度(前两个除外),python,numpy,Python,Numpy,我有一个可变维numpy数组,例如,它可以有以下形状 (64, 64) (64, 64, 2, 5) (64, 64, 40) (64, 64, 10, 20, 4) 我想做的是,如果维度的数量大于3,我想在保持秩序的同时,将所有其他维度折叠/堆叠到第三维中。因此,在我上面的示例中,操作后的形状应为: (64, 64) (64, 64, 10) (64, 64, 40) (64, 64, 800) 此外,还需要保持秩序。例如,形状(64,64,2,5)的数组应按以下方式堆叠: (64, 64
(64, 64)
(64, 64, 2, 5)
(64, 64, 40)
(64, 64, 10, 20, 4)
我想做的是,如果维度的数量大于3,我想在保持秩序的同时,将所有其他维度折叠/堆叠到第三维中。因此,在我上面的示例中,操作后的形状应为:
(64, 64)
(64, 64, 10)
(64, 64, 40)
(64, 64, 800)
此外,还需要保持秩序。例如,形状(64,64,2,5)
的数组应按以下方式堆叠:
(64, 64, 2)
(64, 64, 2)
(64, 64, 2)
(64, 64, 2)
(64, 64, 2)
i、 e.一个接一个的3D切片。此外,手术后,我希望将其重塑为原始形状,而不进行任何排列,即保持原始顺序
我可以做的一个方法是将所有维度值从3乘以最后一个维度,即
shape = array.shape
if len(shape) > 3:
final_dim = 1
for i in range(2, len(shape)):
final_dim *= shape[i]
然后重塑阵列的形状。比如:
array.reshape(64, 64, final_dim)
然而,我首先不确定是否按照我的意愿保留了顺序,以及是否有更好的pythonic方法来实现这一点?编辑:正如其他答案中所指出的那样,只提供-1作为
重塑的第三维更加容易。然后,Numpy会自动确定正确的形状
我不确定这里的问题是什么。您只需使用np.重塑即可保持顺序。请参阅以下代码:
import numpy as np
A = np.random.rand(20,20,2,2,18,5)
print A.shape
new_dim = np.prod(A.shape[2:])
print new_dim
B = np.reshape(A, (A.shape[0], A.shape[1], np.prod(A.shape[2:])))
print B.shape
C = B.reshape((20,20,2,2,18,5))
print np.array_equal(A,C)
输出为:
(20L, 20L, 2L, 2L, 18L, 5L)
360
(20L, 20L, 360L)
True
这完全满足了您的要求。重塑接受自动重新标注:
a=rand(20,20,8,6,4)
s=a.shape[:2]
if a.ndim>2 : s = s+ (-1,)
b=a.reshape(s)
根据给定(64,64,2,5)
样本的堆叠要求,我认为您需要排列轴。对于排列,我们可以使用-
def collapse_dims(a):
if a.ndim>3:
return np.rollaxis(a,-1,2).reshape(a.shape[0],a.shape[1],-1)
else:
return a
在给定的四个示例形状上运行示例-
1) 示例形状:
In [234]: shp1 = (64, 64)
...: shp2 = (64, 64, 2, 5)
...: shp3 = (64, 64, 40)
...: shp4 = (64, 64, 10, 20, 4)
...:
案例1:
案例2:
案例3:
案例4:
我将试图说明@Divaker
带来的担忧
In [522]: arr = np.arange(2*2*3*4).reshape(2,2,3,4)
In [523]: arr
Out[523]:
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]]],
[[[24, 25, 26, 27],
[28, 29, 30, 31],
[32, 33, 34, 35]],
[[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]]]])
4是最内部的维度,因此它将数组显示为3x4块。如果你注意空格和[],你会看到有2x2个街区
注意当我们使用重塑时会发生什么:
In [524]: arr1 = arr.reshape(2,2,-1)
In [525]: arr1
Out[525]:
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]],
[[24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35],
[36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47]]])
现在是2个2x12街区。您可以对这12个元素行执行任何操作,并将它们重新整形为3x4块
In [526]: arr1.reshape(2,2,3,4)
Out[526]:
array([[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
...
但我也可以在最后一个维度上拆分这个数组<代码>np.拆分
可以做到,但列表理解更容易理解:
In [527]: alist = [arr[...,i] for i in range(4)]
In [528]: alist
Out[528]:
[array([[[ 0, 4, 8],
[12, 16, 20]],
[[24, 28, 32],
[36, 40, 44]]]),
array([[[ 1, 5, 9],
[13, 17, 21]],
[[25, 29, 33],
[37, 41, 45]]]),
array([[[ 2, 6, 10],
[14, 18, 22]],
[[26, 30, 34],
[38, 42, 46]]]),
array([[[ 3, 7, 11],
[15, 19, 23]],
[[27, 31, 35],
[39, 43, 47]]])]
它包含4(2,2,3)个数组。请注意,3个元素行在4d显示中显示为列
我可以使用np.stack
(类似于np.array
,但可以更好地控制阵列的连接方式)将其改造为4d阵列:
==========
split
等价物是np.split(arr,4,axis=-1)中x的[x[…,0]
。如果不使用索引拆分,将生成(2,2,3,1)个数组
collapse\u dims
产生(例如:
一个(2,2,12)数组,但元素的行顺序不同。在展平之前,它在内部2维上进行转置
In [535]: arr[0,0,:,:].ravel()
Out[535]: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
In [536]: arr[0,0,:,:].T.ravel()
Out[536]: array([ 0, 4, 8, 1, 5, 9, 2, 6, 10, 3, 7, 11])
恢复到原来的顺序需要再次滚动或转置
In [542]: arr2.reshape(2,2,4,3).transpose(0,1,3,2)
Out[542]:
array([[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
....
[[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]]]])
尝试。重塑(64,64,-1)
;看看最近关于重塑中-1的问题:啊,很好。我暗自以为有这样的事,但记不得了你能澄清一下堆叠的问题吗,比如对于样本a
:(64,64,2,5)
,a[:,:,:,0]
应该放在哪里out
,并且out
是输出数组吗?请记住,在numpy
中,最后一个维度是最内部的维度。如果迭代(N,2,3)数组,则使用N(2,3)数组。MATLAB采用反序;第一个是最里面的,最后一个是最外面的。语言显示3d数组的方式反映了这种顺序。这太棒了。非常感谢。
In [526]: arr1.reshape(2,2,3,4)
Out[526]:
array([[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
...
In [527]: alist = [arr[...,i] for i in range(4)]
In [528]: alist
Out[528]:
[array([[[ 0, 4, 8],
[12, 16, 20]],
[[24, 28, 32],
[36, 40, 44]]]),
array([[[ 1, 5, 9],
[13, 17, 21]],
[[25, 29, 33],
[37, 41, 45]]]),
array([[[ 2, 6, 10],
[14, 18, 22]],
[[26, 30, 34],
[38, 42, 46]]]),
array([[[ 3, 7, 11],
[15, 19, 23]],
[[27, 31, 35],
[39, 43, 47]]])]
In [529]: np.stack(alist, axis=-1)
Out[529]:
array([[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
...
[[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]]]])
In [532]: np.rollaxis(arr,-1,2).reshape(arr.shape[0],arr.shape[1],-1)
Out[532]:
array([[[ 0, 4, 8, 1, 5, 9, 2, 6, 10, 3, 7, 11],
[12, 16, 20, 13, 17, 21, 14, 18, 22, 15, 19, 23]],
[[24, 28, 32, 25, 29, 33, 26, 30, 34, 27, 31, 35],
[36, 40, 44, 37, 41, 45, 38, 42, 46, 39, 43, 47]]])
In [535]: arr[0,0,:,:].ravel()
Out[535]: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
In [536]: arr[0,0,:,:].T.ravel()
Out[536]: array([ 0, 4, 8, 1, 5, 9, 2, 6, 10, 3, 7, 11])
In [542]: arr2.reshape(2,2,4,3).transpose(0,1,3,2)
Out[542]:
array([[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
....
[[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]]]])