[英]Numpy: Why is difference of a (2,1) array and a vertical matrix slice not a (2,1) array
考虑以下代码:
>>x=np.array([1,3]).reshape(2,1)
array([[1],
[3]])
>>M=np.array([[1,2],[3,4]])
array([[1, 2],
[3, 4]])
>>y=M[:,0]
>>x-y
array([[ 0, 2],
[-2, 0]])
我会直观地感觉到这应该给出零的(2,1)向量。
但是,我并不是说这是应该做的事情,其他所有事情都是愚蠢的。 如果有人可以提供一些我能记住的逻辑,那么这样的事情就不会在我的代码中不断产生错误,我只是想知道。
请注意,我并不是在问我如何实现自己想要的(我可以重塑y),而是希望对Python / Numpy为何能如此工作有更深入的了解。 也许我在概念上做错了吗?
看y
的形状。 它是(2,)
; 1D。 源数组为(2,2),但是您正在选择一列。 M[:,0]
不仅选择列,而且删除该单例尺寸。
因此,对于2个操作,我们需要进行形状更改:
M[:,0]: (2,2) => (2,)
x - y: (2,1) (2,) => (2,1), (1,2) => (2,2)
有多种方法可以确保y
的形状为(2,1)。 带有列表/向量的索引, M[:,[0]]
; 带有切片的索引M[:,:1]
。 添加尺寸M[:,0,None]
。
还请考虑当M[0,:]
或M[0,0]
时会发生什么。
numpy.array
索引使得在任何位置的单个值都可以折叠该维度,而切片将保留该维度,即使切片只有一个元素宽。 对于任何数量的尺寸,这都是完全一致的:
>> A = numpy.arange(27).reshape(3, 3, 3)
>> A[0, 0, 0].shape
()
>> A[:, 0, 0].shape
(3,)
>> A[:, :, 0].shape
(3, 3)
>> A[:1, :1, :1].shape
(1, 1, 1)
请注意,每次使用单个数字时,该维将被删除。
您可以使用numpy.matrix
获得所需的语义,其中两个单个索引返回一个0数组,所有其他类型的索引返回矩阵
>> M = numpy.asmatrix(numpy.arange(9).reshape(3, 3))
>> M[0, 0].shape
()
>> M[:, 0].shape # This is different from the array
(3, 1)
>> M[:1, :1].shape
(1, 1)
您的示例使用numpy.matrix
时可以按预期numpy.matrix
:
>> x = numpy.matrix([[1],[3]])
>> M = numpy.matrix([[1,2],[3,4]])
>> y = M[:, 0]
>> x - y
matrix([[0],
[0]])
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.