将 numpy 数组重塑为类似于具有任意嵌套子数组的不同数组

Question

我有两个 arrays a和b 。 如果我运行a.shape我得到(10,)并且如果我运行(b.shape)我得到(10,)但是这些值中的每一个都是任意嵌套的 arrays ，它们在形状上不等于其他本身或另一个数组中的对应值。 例如a[0].shape返回(122,)和b[0].shape返回(3900,)和b[5].shape返回(5200,64)因此它们在同一个数组中甚至不一致。

我知道它们使用在迭代 Python中找到的递归解决方案具有相同的元素总数（没有标准的 numpy 函数似乎能够尽可能深入地钻入数组）：

def iterThrough(lists):
  if not hasattr(lists[0], '__iter__'):
    for val in lists:
      yield val
  else:
    for l in lists:
      for val in iterThrough(l):
        yield val
            si = 0

for value in iterThrough(a): #and b
    si += 1

两者都返回3066752 。 我知道这很混乱，但是我需要它处于那种形状才能稍后计算数学 function，我猜这样做比重写该方程以反映格式良好的数组更容易。

如何使数组a在其所有嵌套形状中与数组b完全相同？

Answer 1

这是一个可以完成这项工作的解决方案，但保证速度很慢，因为它是递归的、迭代的，并且根本不向量化：

import copy

# Generator function:
# Returns successive scalars from any crazily nested array
def arr_values(arr):
    for elem in arr:
        if (isinstance(elem, np.ndarray)):
            for sub_arr_elem in arr_values(elem):
                yield sub_arr_elem
        else:
            yield elem

# Generator function:
# Returns successive tuples (vector, index) from any arbitrarily nested array,
# such that assigning a value to vector[index] is the same as assigning the value
# to a position in the input array.
def arr_positions(arr):
    for pos,elem in enumerate(arr):
        if (isinstance(elem, np.ndarray)):
            for inner_arr_pos in arr_positions(elem):
                yield inner_arr_pos
        else:
            yield arr, pos

# Create a new array, having the shape of `b` (and incidentally, b's data also)
arr_in_shape_of_b = copy.deepcopy (b)

# Get the iterator for successive assignable positions in
# our destination array
iter_dest = arr_positions(arr_in_shape_of_b)

# Get the iterator for successive scalars from our source array
iter_src = arr_values(a)

# Now, iterate over the two iterators in tandem, and
# perform assignment of successive values from source,
# into successive positions in destination.
for ((dest_vec, pos), val) in zip(iter_dest, iter_src):
    dest_vec[pos] = val

测试一下：

我用这个演示数据测试了a和b ：

a = np.array ([np.arange(6).reshape(2,3), np.array([np.arange(8).astype(np.ndarray),
                                                    23], dtype=np.ndarray),24], dtype=np.ndarray)
print (a.shape)
print (a)

b = np.roll(-1 * a, 2, axis=0)
print (b.shape)
print (b)

因此，输入 arrays a和b如下所示：

(3,)
[array([[0, 1, 2],
       [3, 4, 5]])
 array([array([0, 1, 2, 3, 4, 5, 6, 7], dtype=object), 23], dtype=object)
 24]
(3,)
[array([array([0, -1, -2, -3, -4, -5, -6, -7], dtype=object), -23],
      dtype=object)
 -24 array([[ 0, -1, -2],
       [-3, -4, -5]])]

output 看起来像这样：

(3,)
[array([array([0, 1, 2, 3, 4, 5, 0, 1], dtype=object), 2], dtype=object) 3
 array([[ 4,  5,  6],
       [ 7, 23, 24]])]