numpy中数组的维数

Question

我想对“锯齿状数组”进行操作，并且我更喜欢写“ A + A”，而不是“ [zipped（A，A）中x，y的[x + y]”

为此，我想将不同大小的数组列表转换为整个numpy数组，但是由于看似过度的广播而遇到错误（请注意前三个成功，但最后一个失败）：

In[209]: A = array([ones([3,3]), array([1, 2])])
In[210]: A = array([ones([3,3]), array([1, 2])], dtype=object)
In[211]: A = array([ones([3,2]), array([1, 2])], dtype=object)
In[212]: A = array([ones([2,2]), array([1, 2])], dtype=object)
Traceback (most recent call last):
  File "/home/hzhang/.conda/envs/myenv/lib/python3.4/site-
packages/IPython/core/interactiveshell.py", line 2881, in run_code
  exec(code_obj, self.user_global_ns, self.user_ns)
File "<ipython-input-212-7297723106f9>", line 1, in <module>
  A = array([ones([2,2]), array([1, 2])], dtype=object)
ValueError: could not broadcast input array from shape (2,2) into shape (2)

救命？

Answer 1

您的情况是我回答的第三种情况的变体

创建不同形状的数组的对象数组时，如何防止numpy广播

np.array尝试从输入列表中创建数字的多维数组。 如果组件尺寸足够不同，则将阵列分开，而改为对象阵列。 我认为这种数组是光荣/降级的列表。

如何存储多个具有不同长度的numpy 1d数组并打印

在您遇到问题的情况下，尺寸足够接近，以至于它“认为”它可以制成2d数组，但是当它开始填充这些值时，会发现它无法广播值，从而引发错误。 有人可能会辩称它应该回溯并采用“对象”阵列路线。 但是该决策树深深地埋在了已编译的代码中。

在较早的SO问题中的问题案例是

np.array([np.zeros((2, 2)), np.zeros((2,3))])

第一个尺寸匹配，但第二个不匹配。 我不确定您的IN[211]为何起作用，但是In[212]无效。 但是错误消息是相同的，一直到（2,2）=>（2）尝试。

编辑

糟糕-我首先将您的问题示例读取为：

np.array([np.ones([2,2]), np.ones([1, 2])], dtype=object)

也就是说，将（2,2）与（1,2）组合在一起，这确实会产生（2，）对象。 你实际上结合的是

 (2,2) with a (2,) 

所以看起来目标是np.empty((2,2),float) （或object ），因为out[...]=[ones([2,2]), array([1,2])]产生此错误。

---

无论如何，创建对象数组的最可靠方法是对其进行初始化，然后复制该数组。

Out[90]: array([None, None], dtype=object)
In [91]: arr[:]=[ones([2,2]), array([1, 2])]
In [92]: arr
Out[92]: 
array([array([[ 1.,  1.],
       [ 1.,  1.]]), array([1, 2])], dtype=object)

---

对像这样的对象数组进行数学运算时要小心。 起作用的是命中注定：

In [93]: A+A
Out[93]: 
array([array([[ 2.,  2.],
       [ 2.,  2.],
       [ 2.,  2.]]),
       array([2, 4])], dtype=object)

In [96]: np.min(A[1])
Out[96]: 1
In [97]: np.min(A)
....
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

In [98]: A.sum()
Out[98]: 
array([[ 2.,  3.],
       [ 2.,  3.],
       [ 2.,  3.]])

这是有效的，因为A[0]+A[1]有效。 A[1]是广播到（3,2）的（2，）。

使用对象数组时， numpy依靠某种列表理解来遍历对象元素。 这样可能会获得数组表示法的便利，但是速度与真正的2d数组的速度不一样。