[英]NumPy List Comprehension Syntax
我希望能夠使用列表推導語法輕松地使用NumPy數組。
例如,我想像下面明顯錯誤的代碼,只是重現相同的數組。
>>> X = np.random.randn(8,4)
>>> [[X[i,j] for i in X] for j in X[i]]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: arrays used as indices must be of integer (or boolean) type
這樣做的簡單方法是什么,避免使用range(len(X)
?
首先,您不應該使用NumPy數組作為列表列表。
其次,讓我們忘掉NumPy; 你的listcomp首先沒有任何意義,即使對於列表列表也是如此。
在內部理解中, for i in X
將迭代for i in X
中的行。這些行不是數字,它們是列表(或者,在NumPy中,1D數組),因此X[i]
沒有任何意義。 你可能想要i[j]
。
在外在理解中, for j in X[i]
中的for j in X[i]
有相同的問題,但是有一個更大的問題:沒有i
值。 你有理解力在這個理解中循環每個i
。
如果您對理解感到困惑,請將其寫為明確的for
語句,如List Comprehensions的教程部分所述:
tmp = []
for j in X[i]:
tmp.append([X[i,j] for i in X])
...擴展到:
tmp = []
for j in X[i]:
tmp2 = []
for i in X:
tmp2.append(X[i,j])
tmp.append(tmp2)
......應該明白這里有什么問題。
我想你想要的是:
[[cell for cell in row] for row in X]
再次,把它放回明確for
聲明:
tmp = []
for row in X;
tmp2 = []
for cell in row:
tmp2.append(cell)
tmp.append(tmp2)
那顯然是對的。
或者,如果你真的想使用索引(但你沒有):
[[X[i][j] for j in range(len(X[i]))] for i in range(len(X))]
所以,回到NumPy。 在NumPy術語中,最后一個版本是:
[[X[i,j] for j in range(X.shape[1])] for i in range(X.shape[0])]
...如果你想進入列主要順序而不是行主要,你可以(與列表列表不同):
[[X[i,j] for i in range(X.shape[0])] for j in range(X.shape[1])]
......但這當然會轉移陣列,這不是你想要做的。
你不能做的一件事是在同一個表達式中混合列主要和行主要順序,因為你最終會廢話。
當然,制作數組副本的正確方法是使用copy
方法:
X.copy()
正如轉置數組的正確方法是:
X.T
簡單的方法是不要這樣做。 改為使用numpy的隱式向量化。 例如,如果您有數組A和B,如下所示:
A = numpy.array([[1, 3, 5],
[2, 4, 6],
[9, 8, 7]])
B = numpy.array([[5, 3, 5],
[3, 5, 3],
[5, 3, 5]])
然后使用列表推導的以下代碼:
C = numpy.array([[A[i, j] * B[i, j] for j in xrange(A.shape[1])]
for i in xrange(A.shape[0])])
可以更容易寫成
C = A * B
它也會運行得更快。 一般來說,如果你不使用numpy列表推導,你會產生更快,更清晰的代碼。
如果您真的想使用列表推導,則應用標准的Python列表 - 理解 - 編寫技術。 迭代元素,而不是索引:
C = numpy.array([[a*b for a, b in zip(a_row, b_row)]
for a_row, b_row in zip(A, B)]
因此,您的示例代碼將成為
numpy.array([[elem for elem in x_row] for x_row in X])
另一個選擇(雖然不一定是高性能)是將你的問題重新考慮為地圖而不是理解並編寫一個ufunc:
http://docs.scipy.org/doc/numpy/reference/ufuncs.html
您可以調用functional-lite例程,例如:
http://docs.scipy.org/doc/numpy/reference/generated/numpy.apply_over_axes.html http://docs.scipy.org/doc/numpy/reference/generated/numpy.vectorize.html
等等。
你的意思是關注?
>>> [[X[i,j] for j in range(X.shape[1])] for i in range(X.shape[0])]
[[0.62757350000000001, -0.64486080999999995, -0.18372566000000001, 0.78470704000000002],
[1.78209799, -1.336448459999999 9, -1.3851422200000001, -0.49668994],
[-0.84148266000000005, 0.18864597999999999, -1.1135151299999999, -0.40225053999999 999],
[0.93852824999999995, 0.24652238000000001, 1.1481637499999999, -0.70346624999999996],
[0.83842508000000004, 1.0058 697599999999, -0.91267403000000002, 0.97991269000000003],
[-1.4265273000000001, -0.73465904999999998, 0.6684284999999999 8, -0.21551155],
[-1.1115614599999999, -1.0035033200000001, -0.11558254, -0.4339924],
[1.8771354, -1.0189299199999999, - 0.84754008000000003, -0.35387946999999997]]
>>> X.copy()
array([[ 0.6275735 , -0.64486081, -0.18372566, 0.78470704],
[ 1.78209799, -1.33644846, -1.38514222, -0.49668994],
[-0.84148266, 0.18864598, -1.11351513, -0.40225054],
[ 0.93852825, 0.24652238, 1.14816375, -0.70346625],
[ 0.83842508, 1.00586976, -0.91267403, 0.97991269],
[-1.4265273 , -0.73465905, 0.6684285 , -0.21551155],
[-1.11156146, -1.00350332, -0.11558254, -0.4339924 ],
[ 1.8771354 , -1.01892992, -0.84754008, -0.35387947]])
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.