Python Numpy-np.Array到列表的自动隐式转换

我正在尝试制作一个其他

numpy.array的
numpy.array
，用于蒙特卡罗模拟。我想获取数组的一个元素（另一个1d数组）并对其执行一些函数，返回该数组的一个子部分，然后重新分配它最初所有数组的长度都相同，这似乎是导致问题的原因

我想做的事：例如

c1 = np.array([np.array(xi) for xi in [[1,2],[1],[1,3]]])
c1[2] = np.array([5])

这很好用：

array([array([1, 2]), array([1]), array([5])], dtype=object)

当我做一个变换，使所有的子数组保持相同的长度时，我得到了相同的结构

c2 = np.array([np.array(xi) for xi in [[1,2],[1],[1,3]]])
c2[1] = np.array([4,5])

给予

array([array([1, 2]), array([4, 5]), array([1, 3])], dtype=object).

相反，所发生的是：例如

c1 = np.array([np.array(xi) for xi in [[1,2],[1],[1,3]]])
c1[2] = np.array([5])

当我启动所有长度相同的数组时，它们将从
np.arrays
转换为
list

c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]])

给

array([[1, 2], [1, 2], [1, 4]]).

现在如果我尝试调整其中一个列表的长度

c3[1] = np.array([5])

我接受广播

array([[1, 2], [5, 5], [1, 4]])

当我想要的时候

性能问题：

这就是蒙特卡罗模拟的全部内容，通常我希望处理一个包含大约10000个子数组的数组，其中每个子数组是一个包含大约1000个元素（浮动）的数组。我一直在使用numpy，因为它的随机数生成速度非常快，而且对于向量化函数有很好的性能，特别是我希望最终对这些函数（
np.cumsum
）和其他一些更深奥的函数执行某种累积和。我能够用列表做这类事情，但花了大约20倍的时间，我希望尽可能地优化

非常感谢。
numpy不允许您更改np的形状。np的数组：

>>> c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]])
>>> c4 = np.array([c3[:1],np.array([5]), c3[2:]])
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: could not broadcast input array from shape (2) into shape (1)

这就是你要找的吗

您可能只想输入一个零或一些不会影响模拟的巨大负数/正数：

>>> c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]])
>>> c3[1] = np.array([5])
>>> c3
array([[1, 2],
       [5, 5],
       [1, 4]])
>>> c3[1][1] = -9999999
>>> c3
array([[       1,        2],
       [       5, -9999999],
       [       1,        4]])

您是否测试了np.array列表的性能，而不是np.array的np.array？我建议重新考虑该方法。不同长度的数组看起来奇怪、不方便，而且可能很慢。@kennytm我还没有测试它的性能，因为我通过以下方式使用了
np.insert
：
np.insert（np.array（[many_np_数组]），0，x0，axis=1）。求和（axis=1））
其中
x0
是一组初始条件，然后我使用
.cumsum
将这些值转换为累积值。使用这个
np.insert
来添加初始条件非常有用，而不是为循环创建
然后执行某种
x0.append（etc）
。本质上，我还想保留
np.array
s的功能。我希望这是清楚的。@ev br我正在考虑使用
熊猫数据帧
，然后执行行和列操作，但我担心性能速度，因为要施加我想要的边界条件，我需要执行许多行搜索算法，我担心这些算法可能无法很好地矢量化，当我执行这些行时，我不知道它们将被视为什么类型的对象（
list
，
np.array
，
pd.series
，等等）。注意它将
dtype=np.array
变成
dtype=object
。这种数组包含指向任何类型对象的指针；这个解决方案正是我想要的！我的意思是我必须比我最初设想的多做几行代码和一些额外的串联/嵌套操作（只有几个！），但现在我看到的性能比最初的
列表
方法提高了40倍，其中，作为我最初的
np.array
的
列表
方法（问题中的概述）只给出了20个改进因子（我只说…）。感谢@KennethTry
c3[…]=ourList
填充对象数组。
>>> c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]])
>>> c3[1] = np.array([5])
>>> c3
array([[1, 2],
       [5, 5],
       [1, 4]])
>>> c3[1][1] = -9999999
>>> c3
array([[       1,        2],
       [       5, -9999999],
       [       1,        4]])