我在使用 NumPy 时遇到的一个反复出现的错误是,尝试索引数组失败,因为数组的某个维度是单例,因此该维度被删除并且无法索引。这在设计用于操作任意大小的数组的函数中尤其成问题。我正在寻找最便宜、最通用的方法来避免这个错误。
这是一个例子:
import numpy as np
f = (lambda t, u, i=0: t[:,i]*u[::-1])
a = np.eye(3)
b = np.array([1,2,3])
f(a,b)
f(a[:,0],b[1])
第一次调用按预期工作。第二次调用以两种方式失败:1) t
无法通过 [:,0]
进行索引因为它有形状(3,)
和 2) u
根本无法索引,因为它是标量。
以下是我想到的修复:
1) 使用np.atleast_1d
和np.atleast_2d
等(可能带有条件以确保尺寸顺序正确)在 f
内以确保所有参数都具有所需的尺寸。这排除了 lambda 的使用,并且可能需要一些我不想用的行。
2)而不是写f(a[:,0],b[1])
上面,使用f(a[:,[0]],b[[1]])
。这很好,但我总是必须记住放入额外的括号,如果索引存储在变量中,您可能不知道是否应该放入额外的括号。例如:
idx = 1
f(a[:,[0]],b[[idx]])
idx = [2,0,1]
f(a[:,[0]],b[idx])
在这种情况下,您似乎必须调用 np.atleast_1d
上idx
首先,这可能比输入 np.atleast_1d
更麻烦。在函数中。
3)在某些情况下,我可以不放入索引而逃脱惩罚。例如:
f = lambda t, u: t[0]*u
f(a,b)
f(a[:,0],b[0])
这是有效的,并且显然是应用时最灵活的解决方案。但它并不适用于所有情况(特别是,您的尺寸必须以正确的顺序开始)。
那么,还有比上述更好的方法吗?
最佳答案
有很多方法可以避免这种行为。
首先,每当您使用 slice
而不是整数索引 np.ndarray
的维度时,输出的维度数将与输入的:
import numpy as np
x = np.arange(12).reshape(3, 4)
print x[:, 0].shape # integer indexing
# (3,)
print x[:, 0:1].shape # slice
# (3, 1)
这是我避免该问题的首选方法,因为它很容易从单元素选择推广到多元素选择(例如 x[:, i:i+1]
与 x[:, i:i+n]
)。
正如您已经提到的,您还可以通过使用任何整数序列来索引维度来避免维度损失:
print x[:, [0]].shape # list
# (3, 1)
print x[:, (0,)].shape # tuple
# (3, 1)
print x[:, np.array((0,))].shape # array
# (3, 1)
如果您选择坚持使用整数索引,则始终可以使用np.newaxis
(或等效的None
)插入新的单一维度:
print x[:, 0][:, np.newaxis]
# (3, 1)
print x[:, 0][:, None]
# (3, 1)
或者您可以手动将其重新调整为正确的大小(此处使用 -1
自动推断第一个维度的大小):
print x[:, 0].reshape(-1, 1).shape
# (3, 1)
最后,您可以使用 np.matrix
而不是 np.ndarray
。 np.matrix
的行为更像 MATLAB 矩阵,每当您使用整数进行索引时,都会保留单个维度:
y = np.matrix(x)
print y[:, 0].shape
# (3, 1)
但是,您应该知道有一个 number of other important differences在 np.matrix
和 np.ndarray
之间,例如 *
运算符对数组执行元素乘法,但对矩阵执行矩阵乘法。在大多数情况下,最好坚持使用 np.ndarrays
。
关于python - 处理 python 数组中的维度崩溃,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24441326/