如何将 numpy 数组列表转换为单个 numpy 数组？

Question

假设我有；

LIST = [[array([1, 2, 3, 4, 5]), array([1, 2, 3, 4, 5],[1,2,3,4,5])] # inner lists are numpy arrays

我尝试转换；

array([[1, 2, 3, 4, 5],
       [1, 2, 3, 4, 5],
       [1, 2, 3, 4, 5])

我现在正在通过 vstack 上的迭代来解决它，但是对于特别大的 LIST 来说真的很慢

你对最有效的方法有什么建议？

Answer 1

通常，您可以沿任何轴连接整个数组序列：

numpy.concatenate( LIST, axis=0 )

但是你必须对列表中的形状和每个阵列的维度担心（用于2维3x5的输出，你需要确保它们都是2维正由-5阵列的话）。 如果要将一维数组串联起来作为二维输出的行，则需要扩展它们的维数。

正如 Jorge 的回答所指出的，还有在 numpy 1.10 中引入的函数stack ：

numpy.stack( LIST, axis=0 )

这采用互补的方法：它为每个输入数组创建一个新视图，并在连接之前添加一个额外的维度（在这种情况下，在左侧，因此每个n元素一维数组变成一个 1× n二维数组）。 只有当所有输入数组都具有相同的形状时，它才会起作用——即使沿着串联轴也是如此。

vstack （或等效的row_stack ）通常是一个更易于使用的解决方案，因为它将采用一维和/或二维数组的序列，并在必要时且仅在必要时自动扩展维度，然后将整个列表连接在一起。 如果需要新尺寸，则将其添加到左侧。 同样，您可以一次连接整个列表而无需迭代：

numpy.vstack( LIST )

语法快捷方式numpy.r_[ array1, ...., arrayN ]也展示了这种灵活的行为（注意方括号）。 这对于连接一些显式命名的数组很有用，但对您的情况不利，因为此语法不接受数组序列，例如LIST 。

还有一个类似的函数column_stack和快捷方式c_[...] ，用于水平（按列）堆叠，以及一个几乎类似的函数hstack尽管由于某种原因后者不太灵活（它对输入更严格）数组的维数，并尝试将一维数组端到端连接而不是将它们视为列）。

最后，在一维数组垂直堆叠的特定情况下，以下也适用：

numpy.array( LIST )

...因为数组可以由其他数组的序列构造而成，在开头添加一个新维度。

Answer 2

从 NumPy 1.10 版开始，我们有了方法stack 。 它可以堆叠任何维度的数组（全部相等）：

# List of arrays.
L = [np.random.randn(5,4,2,5,1,2) for i in range(10)]

# Stack them using axis=0.
M = np.stack(L)
M.shape # == (10,5,4,2,5,1,2)
np.all(M == L) # == True

M = np.stack(L, axis=1)
M.shape # == (5,10,4,2,5,1,2)
np.all(M == L) # == False (Don't Panic)

# This are all true    
np.all(M[:,0,:] == L[0]) # == True
all(np.all(M[:,i,:] == L[i]) for i in range(10)) # == True

享受，

Answer 3

我查了一些速度性能的方法，发现没有区别！ 唯一的区别是使用某些方法必须仔细检查尺寸。

定时：

|------------|----------------|-------------------|
|            | shape (10000)  |  shape (1,10000)  |
|------------|----------------|-------------------|
| np.concat  |    0.18280     |      0.17960      |
|------------|----------------|-------------------|
|  np.stack  |    0.21501     |      0.16465      |
|------------|----------------|-------------------|
| np.vstack  |    0.21501     |      0.17181      |
|------------|----------------|-------------------|
|  np.array  |    0.21656     |      0.16833      |
|------------|----------------|-------------------|

正如你所看到的，我尝试了 2 个实验 - 使用np.random.rand(10000)和np.random.rand(1, 10000)如果我们使用二维数组而不是np.stack和np.array创建额外的维度 - result.shape是 (1,10000,10000) 和 (10000,1,10000) 所以他们需要额外的行动来避免这种情况。

代码：

from time import perf_counter
from tqdm import tqdm_notebook
import numpy as np
l = []
for i in tqdm_notebook(range(10000)):
    new_np = np.random.rand(10000)
    l.append(new_np)



start = perf_counter()
stack = np.stack(l, axis=0 )
print(f'np.stack: {perf_counter() - start:.5f}')

start = perf_counter()
vstack = np.vstack(l)
print(f'np.vstack: {perf_counter() - start:.5f}')

start = perf_counter()
wrap = np.array(l)
print(f'np.array: {perf_counter() - start:.5f}')

start = perf_counter()
l = [el.reshape(1,-1) for el in l]
conc = np.concatenate(l, axis=0 )
print(f'np.concatenate: {perf_counter() - start:.5f}')