Python numpy can';t将行向量转置到列?
numpy似乎无法转置向量? 我想把一个向量投影到一个矩阵中,你可以用它来处理行,使用np.tile没有问题-Python numpy can';t将行向量转置到列?,python,numpy,matrix,vector,transpose,Python,Numpy,Matrix,Vector,Transpose,numpy似乎无法转置向量? 我想把一个向量投影到一个矩阵中,你可以用它来处理行,使用np.tile没有问题- In [7]: vector = np.arange(start=0,stop=1,step=1.0/5) In [8]: mat = np.tile(vector, (2,1)) In [9]: mat Out[9]: array([[ 0. , 0.2, 0.4, 0.6, 0.8], [ 0. , 0.2, 0.4, 0.6,
In [7]: vector = np.arange(start=0,stop=1,step=1.0/5)
In [8]: mat = np.tile(vector, (2,1))
In [9]: mat
Out[9]: array([[ 0. , 0.2, 0.4, 0.6, 0.8],
[ 0. , 0.2, 0.4, 0.6, 0.8]])
但是,如果您想将同一向量平铺为列,那么似乎必须这样做
In[11]: mat = np.tile(vector,(2,1))
In[12]: mat=mat.transpose()
In[13]: mat
Out[13]: array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
而不是更合乎逻辑的(对我来说)
它不会给出期望的结果,而是给出一个行向量,转置是不相关的-
Out[31]: array([[ 0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8]])
虽然这不是一个大问题,但我担心它的不公正性
转置
在1d阵列上实际上没有任何作用。另一种方法是,首先将向量重塑为2d,从中获得两个轴,然后可以使用np.tile
,并为每个轴指定reps参数:
np.tile(vector[:,None], (1,2))
#array([[ 0. , 0. ],
# [ 0.2, 0.2],
# [ 0.4, 0.4],
# [ 0.6, 0.6],
# [ 0.8, 0.8]])
转置
在1d数组上实际上没有任何作用。另一种方法是,首先将向量重塑为2d,从中获得两个轴,然后可以使用np.tile
,并为每个轴指定reps参数:
np.tile(vector[:,None], (1,2))
#array([[ 0. , 0. ],
# [ 0.2, 0.2],
# [ 0.4, 0.4],
# [ 0.6, 0.6],
# [ 0.8, 0.8]])
从project/
kill
from numpy.lib.stride_tricks import as_strided as strided
strided(vector, (vector.size, 2), (vector.strides[0], 0))
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
__
从project/
kill
from numpy.lib.stride_tricks import as_strided as strided
strided(vector, (vector.size, 2), (vector.strides[0], 0))
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
__
有很多方法可以创建这样的数组
重复
比平铺
快,重塑
几乎没有成本:
In [112]: v=np.arange(0,1,1/5)
In [113]: v
Out[113]: array([ 0. , 0.2, 0.4, 0.6, 0.8])
In [114]: np.repeat(v,2)
Out[114]: array([ 0. , 0. , 0.2, 0.2, 0.4, 0.4, 0.6, 0.6, 0.8, 0.8])
In [115]: np.repeat(v,2).reshape(-1,2)
Out[115]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
或者使用newaxis
将v
转换为“列向量”:
In [118]: np.repeat(v[:,None],2,axis=1)
Out[118]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [119]: v[:,None]+np.zeros(2)
Out[119]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [120]: np.column_stack([v]*2)
Out[120]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [124]: np.broadcast_to(v[:,None],(v.shape[0],2))
Out[124]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
最后一个实际上是@piRSquared的
跨步技巧:
In [125]: _.strides
Out[125]: (8, 0)
v[:,None]
也可以使用v[None,:]生成。T
(或v[None].T
)创建这样的数组有很多方法
重复
比平铺
快,重塑
几乎没有成本:
In [112]: v=np.arange(0,1,1/5)
In [113]: v
Out[113]: array([ 0. , 0.2, 0.4, 0.6, 0.8])
In [114]: np.repeat(v,2)
Out[114]: array([ 0. , 0. , 0.2, 0.2, 0.4, 0.4, 0.6, 0.6, 0.8, 0.8])
In [115]: np.repeat(v,2).reshape(-1,2)
Out[115]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
或者使用newaxis
将v
转换为“列向量”:
In [118]: np.repeat(v[:,None],2,axis=1)
Out[118]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [119]: v[:,None]+np.zeros(2)
Out[119]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [120]: np.column_stack([v]*2)
Out[120]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
In [124]: np.broadcast_to(v[:,None],(v.shape[0],2))
Out[124]:
array([[ 0. , 0. ],
[ 0.2, 0.2],
[ 0.4, 0.4],
[ 0.6, 0.6],
[ 0.8, 0.8]])
最后一个实际上是@piRSquared的
跨步技巧:
In [125]: _.strides
Out[125]: (8, 0)
v[:,None]
也可以用v[None,:]生成。T
(或v[None].T)@jeremy_rutman:利用这一点,你可能只需要使用vector[:,None]
而不用np.tile(vector[:,None],(1,2))显式平铺
@jeremy_rutman:利用这一点,您可能只需要使用向量[:,无]
而不是显式地使用np.tile(向量[:,无],(1,2))
。转置切换维度。对于一维数组,这意味着将一维与一维切换。转置将切换维度。对于一维数组,这意味着将一维与一维切换。