Python Numpy:使用“重塑”或“新建轴”添加标注
Python Numpy:使用“重塑”或“新建轴”添加标注,python,numpy,Python,Numpy,ndarray.reformate或numpy.newaxis可用于向数组添加新维度。它们似乎都创建了一个视图,使用一个视图而不是另一个视图有什么理由或优势吗 >>> b array([ 1., 1., 1., 1.]) >>> c = b.reshape((1,4)) >>> c *= 2 >>> c array([[ 2., 2., 2., 2.]]) >>> c.shape (1, 4)
ndarray.reformate
或numpy.newaxis
可用于向数组添加新维度。它们似乎都创建了一个视图,使用一个视图而不是另一个视图有什么理由或优势吗
>>> b
array([ 1., 1., 1., 1.])
>>> c = b.reshape((1,4))
>>> c *= 2
>>> c
array([[ 2., 2., 2., 2.]])
>>> c.shape
(1, 4)
>>> b
array([ 2., 2., 2., 2.])
>>> d = b[np.newaxis,...]
>>> d
array([[ 2., 2., 2., 2.]])
>>> d.shape
(1, 4)
>>> d *= 2
>>> b
array([ 4., 4., 4., 4.])
>>> c
array([[ 4., 4., 4., 4.]])
>>> d
array([[ 4., 4., 4., 4.]])
>>>
`我看不出有什么不同的证据。您可以在非常大的阵列上进行时间测试。基本上,两者都会摆弄形状,可能还会摆弄步伐<代码>\uuuu数组\u接口\uuuu是访问此信息的好方法。例如:
In [94]: b.__array_interface__
Out[94]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (5,),
'strides': None,
'typestr': '<f8',
'version': 3}
In [95]: b[None,:].__array_interface__
Out[95]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (1, 5),
'strides': (0, 8),
'typestr': '<f8',
'version': 3}
In [96]: b.reshape(1,5).__array_interface__
Out[96]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (1, 5),
'strides': None,
'typestr': '<f8',
'version': 3}
有趣的观察结果是:
b.重塑(1,4).跨步->(32,8)
这是我的猜测<代码>数组接口显示一个底层属性,.strips
更像一个属性(尽管它可能都隐藏在C代码中)。默认的基础值是None
,当需要计算时(或显示为.strips
),它会根据形状和项目大小进行计算32
是到第1行(4x8)末端的距离np.ones((2,4)).strips
在\uuu数组\u接口中具有相同的(32,8)
(和无
)
另一方面,b[None,:]
正在为广播准备数组。广播时,重复使用现有值。这就是(0,8)
中的0
所做的
In [147]: b1=np.broadcast_arrays(b,np.zeros((2,1)))[0]
In [148]: b1.shape
Out[148]: (2, 5000)
In [149]: b1.strides
Out[149]: (0, 8)
In [150]: b1.__array_interface__
Out[150]:
{'data': (3023336880L, False),
'descr': [('', '<f8')],
'shape': (2, 5),
'strides': (0, 8),
'typestr': '<f8',
'version': 3}
[147]中的:b1=np.广播_数组(b,np.零((2,1))[0]
In[148]:b1.shape
Out[148]:(25000)
In[149]:b1.跨步
Out[149]:(0,8)
In[150]:b1.\u数组\u接口__
出[150]:
{'data':(3023336880L,假),
“descr”:[(“”,在ndarray.restrape
上使用numpy.newaxis
的一个原因是当您有多个“未知”维度要使用时。例如,对于以下数组:
>>> arr.shape
(10, 5)
这项工作:
>>> arr[:, np.newaxis, :].shape
(10, 1, 5)
但这并不是:
>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension
很酷,\uuuuuuuuuuuuuuuu接口
!!Hmmmb.重塑(1,4).步幅->(32,8)
,b[无]。步幅->(0,8)
很有趣。我在这方面添加了一些想法。…为广播准备数组听起来不错。因此第一步维度/值的零会迫使它在广播过程中从头开始。这也可能解释C_连续
的差异。b.重塑(1,-1)
是方便的快捷方式。
>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension