1.NumPy中形状的含义
你写道,“我从字面上知道它是数字列表和列表列表,其中所有列表仅包含一个数字”,但这是一种无益的思考方式。
考虑 NumPy 数组的最佳方式是它们由两部分组成:数据缓冲区这只是一个原始元素块,以及view它描述了如何解释数据缓冲区。
例如,如果我们创建一个包含 12 个整数的数组:
>>> a = numpy.arange(12)
>>> a
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
Then a
由一个数据缓冲区组成,排列如下:
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
以及描述如何解释数据的视图:
>>> a.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
>>> a.dtype
dtype('int64')
>>> a.itemsize
8
>>> a.strides
(8,)
>>> a.shape
(12,)
这里的shape (12,)
表示数组由从 0 到 11 的单个索引进行索引。从概念上讲,如果我们标记这个单个索引i
,数组a
看起来像这样:
i= 0 1 2 3 4 5 6 7 8 9 10 11
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
If we reshape一个数组,这不会改变数据缓冲区。相反,它创建了一个新视图来描述解释数据的不同方式。所以之后:
>>> b = a.reshape((3, 4))
数组b
具有相同的数据缓冲区a
,但现在它的索引为two索引分别从 0 到 2 和 0 到 3。如果我们标记两个索引i
and j
,数组b
看起来像这样:
i= 0 0 0 0 1 1 1 1 2 2 2 2
j= 0 1 2 3 0 1 2 3 0 1 2 3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是:
>>> b[2,1]
9
可以看到第二个索引变化很快,第一个索引变化很慢。如果您希望反过来,您可以指定order
范围:
>>> c = a.reshape((3, 4), order='F')
这会产生一个索引如下的数组:
i= 0 1 2 0 1 2 0 1 2 0 1 2
j= 0 0 0 1 1 1 2 2 2 3 3 3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是:
>>> c[2,1]
5
现在应该清楚数组具有一维或多维大小为 1 的形状意味着什么。之后:
>>> d = a.reshape((12, 1))
数组d
由两个索引进行索引,第一个索引从 0 到 11,第二个索引始终为 0:
i= 0 1 2 3 4 5 6 7 8 9 10 11
j= 0 0 0 0 0 0 0 0 0 0 0 0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
and so:
>>> d[10,0]
10
长度为 1 的维度是“自由”的(在某种意义上),因此没有什么可以阻止您进城:
>>> e = a.reshape((1, 2, 1, 6, 1))
给出一个像这样索引的数组:
i= 0 0 0 0 0 0 0 0 0 0 0 0
j= 0 0 0 0 0 0 1 1 1 1 1 1
k= 0 0 0 0 0 0 0 0 0 0 0 0
l= 0 1 2 3 4 5 0 1 2 3 4 5
m= 0 0 0 0 0 0 0 0 0 0 0 0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
and so:
>>> e[0,1,0,0,0]
6
See the NumPy 内部文档有关如何实现数组的更多详细信息。
2. 该怎么办?
Since numpy.reshape只是创建一个新视图,您不应该害怕在必要时使用它。当您想以不同的方式对数组进行索引时,它是正确的工具。
然而,在长时间的计算中,通常可以首先安排构造具有“正确”形状的数组,从而最大限度地减少重塑和转置的次数。但如果没有看到导致需要重塑的实际背景,就很难说应该改变什么。
你问题中的例子是:
numpy.dot(M[:,0], numpy.ones((1, R)))
但这是不现实的。首先,这个表达式:
M[:,0].sum()
更简单地计算结果。其次,第 0 列真的有什么特别之处吗?也许你真正需要的是:
M.sum(axis=0)