我有一个从第三方类继承的数据结构,该类重载 __getitem__
,返回一个元组。
现在,我在其他地方有代码,涉及将这些对象的集合附加到 NumPy 数组:
class ThirdPartyThing:
def __init__(self, size):
self.size = size
def __len__(self):
return self.size
def __getitem__(self, key):
return (self, key)
def __iter__(self):
return zip([self] * self.size, range(self.size))
class MyThing(ThirdPartyThing):
pass
x = numpy.array([], dtype = MyThing, ndmin = 1)
temp = [MyThing(1) for _ in range(5)]
x = numpy.append(x, temp)
当我这样做时,我期望的是一个包含五个 MyThing
类型对象的 Numpy 数组,但我得到的是一个像这样的一维数组:
[MyThing(), 0, MyThing(), 0, MyThing(), 0, MyThing(), 0, MyThing(), 0]
长度为 10,其中每个其他元素都是整数。
根据the docs ,如果未定义 axis ,则 append
尝试展平数组,但定义 axis 在我的情况下没有任何区别。有什么办法可以避免这个陷阱吗?
更新
经过仔细检查,我意识到基类重载了__len__
。我认为这就是造成这里问题的原因。
最佳答案
您帖子的精确副本:
In [1]: class MyThing:
...: pass
...:
...: x = numpy.array([], dtype = MyThing, ndmin = 1)
...: temp = [MyThing() for _ in range(5)]
...: x = numpy.append(x, temp)
In [2]: x
Out[2]:
array([<__main__.MyThing object at 0x7f21b45cd2e8>,
<__main__.MyThing object at 0x7f21b45cd278>,
<__main__.MyThing object at 0x7f21b45cd240>,
<__main__.MyThing object at 0x7f21b45cd320>,
<__main__.MyThing object at 0x7f21b45cd390>], dtype=object)
对于np.append
,其代码为:
def append(arr, values, axis=None):
arr = asanyarray(arr)
if axis is None:
if arr.ndim != 1:
arr = arr.ravel()
values = ravel(values)
axis = arr.ndim-1
return concatenate((arr, values), axis=axis)
因此,对于轴来说,它只是连接
。如果没有它,确保两个参数都是 1d。
你的x
是(0,)形状,你的temp
是一个5元素列表,asarray变成(5,)形状,结果是(5, )
In [14]: x=numpy.array([], dtype = MyThing, ndmin = 1)
In [15]: x.shape
Out[15]: (0,)
In [16]: np.array(temp).shape
Out[16]: (5,)
In [17]: np.concatenate((x,temp)).shape
Out[17]: (5,)
我没有看到这个问题。 np.append
中的“扁平化”不会影响代码。但正如我评论的那样,我不喜欢 np.append
。它让太多新用户感到困惑,而且没有必要。直接使用连接
。
您还包括 ThirdPartyThing
类的代码,但不要使用它。
给 MyThing
一个代表:
In [21]: MyThing.__repr__= lambda self: "MYTHING"
并定义一个不同的temp
:
In [28]: temp1 = np.array([(MyThing(),0) for _ in range(3)])
现在我们看到append
ravels的效果:
In [30]: np.append(x,temp1)
Out[30]: array([MYTHING, 0, MYTHING, 0, MYTHING, 0], dtype=object)
在与 (0,)x 结合之前,(3,2) temp1
变为 (6m,)
。
添加 axis=0
不起作用,因为维度数量不同。
使用您编辑的代码:
In [64]: temp = np.array([MyThing(1) for _ in range(3)])
In [65]: temp
Out[65]:
array([[[<__main__.MyThing object at 0x7f21adbc5048>, 0]],
[[<__main__.MyThing object at 0x7f21adbc5a58>, 0]],
[[<__main__.MyThing object at 0x7f21adbc5470>, 0]]], dtype=object)
In [66]: temp.shape
Out[66]: (3, 1, 2)
或者用我的代表:
In [67]: MyThing.__repr__= lambda self: "MYTHING"
In [68]: temp
Out[68]:
array([[[MYTHING, 0]],
[[MYTHING, 0]],
[[MYTHING, 0]]], dtype=object)
In [70]: np.append(x,temp)
Out[70]: array([MYTHING, 0, MYTHING, 0, MYTHING, 0], dtype=object)
并添加axis=0
仍然给出
ValueError: all the input arrays must have same number of dimensions
无论您如何构造它,尝试将 (0,) 形状数组与 (3,1,2) 形状数组连接都需要进行一些调整。
但是为什么要加入这两个数组呢? (0,) 形状数组最初是从哪里来的?
<小时/>构建列表的方式是问题的根源:
In [87]: [MyThing(1) for _ in range(3)]
Out[87]: [MYTHING, MYTHING, MYTHING]
In [88]: np.array(_)
Out[88]:
array([[[MYTHING, 0]],
[[MYTHING, 0]],
[[MYTHING, 0]]], dtype=object)
In [89]: [MyThing(i) for i in range(3)] # different MyThing parameter each time
Out[89]: [MYTHING, MYTHING, MYTHING]
In [90]: np.array(_)
Out[90]: array([MYTHING, MYTHING, MYTHING], dtype=object)
但是np.array([MyThing(2),MyThing(3)])
会导致某种无限循环。
回到append
的问题。通常,当迭代构建数组时,我们建议在列表中收集值(list追加
非常快),并在最后进行一个数组构建(使用np.array
,np.stack
和/或 np.concatenate
)。
不建议进行迭代连接。它速度较慢,并且创建有效的起始“空”数组时存在问题。您的 x
看起来就像一个这样的空启动器。 np.append
给人一种错误的感觉,认为这种迭代数组构造与列表追加方法一样好。事实并非如此。这就是我不喜欢 np.append
的部分原因。使用concatenate
,您至少必须直接解决数组维度的差异。 concatenate
接受一个列表,而不仅仅是两个参数。所以它在循环之外工作。
通过 len
和 iter
,ThirdPartyThing
(以及通过继承 MyThing
)是一个可迭代对象。 np.array
当从这些东西的列表构造数组时,也会尝试迭代它们(与列表列表相同)。
我可以创建一个空对象数组,然后单独填充它,而不是从 MyThing
列表中创建数组。现在我得到了这些对象的“干净”数组:
In [93]: temp = np.empty(5, object)
In [94]: temp
Out[94]: array([None, None, None, None, None], dtype=object)
In [95]: for i in range(3):
...: temp[i] = MyThing(1)
...:
In [96]: temp
Out[96]: array([MYTHING, MYTHING, MYTHING, None, None], dtype=object)
甚至
In [100]: temp[:] = [MyThing(1) for _ in range(5)]
In [101]: temp
Out[101]: array([MYTHING, MYTHING, MYTHING, MYTHING, MYTHING], dtype=object)
只是不要将列表提供给np.array
!
这个temp
可以通过多种方式连接:
In [102]: np.concatenate([temp,temp,temp])
Out[102]:
array([MYTHING, MYTHING, MYTHING, MYTHING, MYTHING, MYTHING, MYTHING,
MYTHING, MYTHING, MYTHING, MYTHING, MYTHING, MYTHING, MYTHING,
MYTHING], dtype=object)
In [103]: np.vstack([temp,temp,temp])
Out[103]:
array([[MYTHING, MYTHING, MYTHING, MYTHING, MYTHING],
[MYTHING, MYTHING, MYTHING, MYTHING, MYTHING],
[MYTHING, MYTHING, MYTHING, MYTHING, MYTHING]], dtype=object)
In [105]: np.append(x,temp)
Out[105]: array([MYTHING, MYTHING, MYTHING, MYTHING, MYTHING], dtype=object)
关于python - 如何在 numpy.append 中短路扁平化,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54996394/