有没有办法带...
>>> x = np.array([0, 8, 10, 15, 50]).reshape((-1, 1)); ncols = 5
……然后把它变成……
array([[ 0, 1, 2, 3, 4],
[ 8, 9, 10, 11, 12],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[50, 51, 52, 53, 54]])
我能够用 np.apply_along_axis
...
>>> def myFunc(a, ncols):
return np.arange(a, (a+ncols))
>>> np.apply_along_axis(myFunc, axis=1, arr=x)
和 for
循环...
>>> X = np.zeros((x.size,ncols))
>>> for a,b in izip(xrange(x.size),x):
X[a] = myFunc(b, ncols)
但是他们太慢了。有没有更快的方法?
提前致谢。
最佳答案
以下将执行此操作:
In [9]: x = np.array([0, 8, 10, 15, 50]).reshape((-1, 1))
In [10]: ncols = 5
In [11]: x + np.arange(ncols)
Out[11]:
array([[ 0, 1, 2, 3, 4],
[ 8, 9, 10, 11, 12],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[50, 51, 52, 53, 54]])
它将行向量添加到列向量并依赖于 broadcasting做剩下的事情。
这应该和任何事情一样快:生成一个 1000x1000 矩阵需要大约 1.6 毫秒:
In [17]: %timeit np.arange(1000).reshape((-1, 1)) + np.arange(1000)
1000 loops, best of 3: 1.61 ms per loop
关于python - Numpy: `arange` 的数组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14517114/