好的,我知道如何转置矩阵,例如:
A = np.arange(25).reshape(5, 5)
print A
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])
A.T
array([[ 0, 5, 10, 15, 20],
[ 1, 6, 11, 16, 21],
[ 2, 7, 12, 17, 22],
[ 3, 8, 13, 18, 23],
[ 4, 9, 14, 19, 24]])
对于一维数组,不可能使用这个“.T”工具(老实说,我不知道为什么),因此要转置向量,您必须更改范例并使用,例如:
B = np.arange(5)
print B
array([0, 1, 2, 3, 4])
并且由于 B.T
会给出相同的结果,因此我们应用这种范式变化,使用:
B[ :, np.newaxis]
array([[0],
[1],
[2],
[3],
[4]])
我发现这种范式的改变有点矛盾,因为一维向量与二维向量(矩阵)绝不是不同的实体,从数学上来说它们来自同一个家族并分享很多东西。
我的问题是:是否有可能对每种张量以更紧凑和统一的方式用(有时称为)numpy 皇冠上的 gem einsum 进行这种转置?我知道对于矩阵你会这样做
np.einsum('ij->ji', A)
你会得到,就像之前的A.T
:
array([[ 0, 5, 10, 15, 20],
[ 1, 6, 11, 16, 21],
[ 2, 7, 12, 17, 22],
[ 3, 8, 13, 18, 23],
[ 4, 9, 14, 19, 24]])
可以用一维数组来实现吗?
提前谢谢您。
最佳答案
是的,您可以使用einsum
转置一维数组
In [17]: B = np.arange(5)
In [35]: np.einsum('i,j->ji', np.ones(1), B)
Out[35]:
array([[ 0.],
[ 1.],
[ 2.],
[ 3.],
[ 4.]])
但这并不是 einsum
的真正用途,因为 einsum
正在计算乘积之和。正如您所期望的,它比简单地添加新轴要慢。
In [36]: %timeit np.einsum('i,j->ji', np.ones(1), B)
100000 loops, best of 3: 5.43 µs per loop
In [37]: %timeit B[:, None]
1000000 loops, best of 3: 230 ns per loop
如果您正在寻找用于转置一维或二维数组的单一语法,这里有两个选项:
使用
np.atleast_2d(b).T
:In [39]: np.atleast_2d(b).T Out[39]: array([[0], [1], [2], [3], [4]]) In [40]: A = np.arange(25).reshape(5,5) In [41]: np.atleast_2d(A).T Out[41]: array([[ 0, 5, 10, 15, 20], [ 1, 6, 11, 16, 21], [ 2, 7, 12, 17, 22], [ 3, 8, 13, 18, 23], [ 4, 9, 14, 19, 24]])
使用
np.matrix
:In [44]: np.matrix(B).T Out[44]: matrix([[0], [1], [2], [3], [4]]) In [45]: np.matrix(A).T Out[45]: matrix([[ 0, 5, 10, 15, 20], [ 1, 6, 11, 16, 21], [ 2, 7, 12, 17, 22], [ 3, 8, 13, 18, 23], [ 4, 9, 14, 19, 24]])
矩阵
是ndarray
的子类。它是一个专门的类,提供了处理矩阵和向量的良好语法。所有矩阵对象(矩阵和向量)都是二维的——向量被实现为具有单列或单行的二维矩阵:In [47]: np.matrix(B).shape # one row Out[47]: (1, 5) In [48]: np.matrix(B).T.shape # one column Out[48]: (5, 1)
矩阵和 ndarray 之间还有其他差异。
*
运算符计算矩阵的矩阵乘法,但执行 ndarrays 的逐元素乘法。请务必study the differences如果你使用np.matrix
.
顺便说一句,NumPy 为 ndarrays
定义转置的方式有一定的美感。
请记住,ndarray 中的 nd 暗示这些对象可以表示 N 维数组。因此,这些对象对 .T
使用的任何定义都必须适用于 N
维度。
特别是,.T
反转轴的顺序。
在二维中,反转轴的顺序与矩阵一致 换位。在一维中,转置什么也不做——反转 单个轴的 order 返回相同的轴。最美丽的部分是这个 定义适用于 N 维。
关于python - 是否可以使用 einsum 转置所有内容?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36840299/