如何在Numpy中迭代1D数组并构建2D数组？

Question

如果我有一个1D numpy.ndarray b和一个要向量化的Python function f ，那么使用numpy.vectorize函数非常简单：

c = numpy.vectorize(f)(a) 。

但是，如果f返回一个1D numpy.ndarray而不是一个标量，我该如何构建一个2D numpy.ndarray ？ （也就是说，我希望从f返回的每个1D numpy.ndarray都成为新2D numpy.ndarray 。）

例：

def f(x):
    return x * x

a = numpy.array([1,2,3])
c = numpy.vectorize(f)(a)

def f_1d(x):
    return numpy.array([x, x])

a = numpy.ndarray([1,2,3])
d = ???(f_1d)(a)

在上面的示例中， c将变为array([1, 4, 9]) 。 应该是什么??? 如果d应该成为array([[1, 1], [2, 2], [3, 3]])替换？

Answer 1

可以这样做：

def f_1d(x):
    return (x,x)
d = numpy.column_stack(numpy.vectorize(f_1d)(a))

将输出：

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

Answer 2

我认为您正在寻找重塑和重复的机会

def f(x):
    return x * x
a = numpy.array([1,2,3])
b= numpy.vectorize(f)(a)
c = numpy.repeat(b.reshape( (-1,1) ),2, axis=1)
print c

输出：

[[1 1]
 [4 4]
 [9 9]]

您也可以直接设置array.shape元组。 如果您需要编写纯python，也许值得知道与使用map实现vectorize一样。 b= numpy.vectorize(f)(a)将变为b=map(f,a)

使用这种方法，根本不需要拥有f_1d ，因为它似乎要做的只是重复的信息，最好由numpy.repeat来完成。

另外，此版本速度更快，但这仅在处理大型阵列时才重要。