[英]How to copy a 2D array into a 3rd dimension, N times?
我想將一個 numpy 二維數組復制到第三維中。 例如,給定 2D numpy 數組:
import numpy as np
arr = np.array([[1, 2], [1, 2]])
# arr.shape = (2, 2)
將其轉換為在新維度中具有 N 個此類副本的 3D 矩陣。 作用於N=3
arr
,輸出應為:
new_arr = np.array([[[1, 2], [1,2]],
[[1, 2], [1, 2]],
[[1, 2], [1, 2]]])
# new_arr.shape = (3, 2, 2)
可能最干凈的方法是使用np.repeat
:
a = np.array([[1, 2], [1, 2]])
print(a.shape)
# (2, 2)
# indexing with np.newaxis inserts a new 3rd dimension, which we then repeat the
# array along, (you can achieve the same effect by indexing with None, see below)
b = np.repeat(a[:, :, np.newaxis], 3, axis=2)
print(b.shape)
# (2, 2, 3)
print(b[:, :, 0])
# [[1 2]
# [1 2]]
print(b[:, :, 1])
# [[1 2]
# [1 2]]
print(b[:, :, 2])
# [[1 2]
# [1 2]]
話雖如此,您通常可以通過使用 廣播來避免完全重復數組。 例如,假設我想添加一個(3,)
向量:
c = np.array([1, 2, 3])
到a
。 我可以在第三維中復制a
的內容 3 次,然后在第一維和第二維中復制c
的內容兩次,這樣我的兩個數組都是(2, 2, 3)
,然后計算它們的總和。 但是,這樣做更簡單、更快捷:
d = a[..., None] + c[None, None, :]
這里, a[..., None]
形狀為(2, 2, 1)
而c[None, None, :]
形狀為(1, 1, 3)
*。 當我計算總和時,結果沿着大小 1 的維度“廣播”出來,給我形狀(2, 2, 3)
:
print(d.shape)
# (2, 2, 3)
print(d[..., 0]) # a + c[0]
# [[2 3]
# [2 3]]
print(d[..., 1]) # a + c[1]
# [[3 4]
# [3 4]]
print(d[..., 2]) # a + c[2]
# [[4 5]
# [4 5]]
廣播是一種非常強大的技術,因為它避免了在內存中創建輸入數組的重復副本所涉及的額外開銷。
*雖然我包括他們清楚, None
指數為c
實際上不是必要的-你也可以做a[..., None] + c
,即廣播(2, 2, 1)
對一個數組(3,)
數組。 這是因為如果其中一個數組的維度比另一個少,那么只有兩個數組的尾隨維度需要兼容。 舉一個更復雜的例子:
a = np.ones((6, 1, 4, 3, 1)) # 6 x 1 x 4 x 3 x 1
b = np.ones((5, 1, 3, 2)) # 5 x 1 x 3 x 2
result = a + b # 6 x 5 x 4 x 3 x 2
另一種方法是使用numpy.dstack
。 假設你要重復的矩陣a
num_repeats
時間:
import numpy as np
b = np.dstack([a]*num_repeats)
訣竅是將矩陣a
包裝到單個元素的列表中,然后使用*
運算符將列表中的元素復制num_repeats
次。
例如,如果:
a = np.array([[1, 2], [1, 2]])
num_repeats = 5
這重復了數組[1 2; 1 2]
[1 2; 1 2]
在第三維中 5 次。 驗證(在 IPython 中):
In [110]: import numpy as np
In [111]: num_repeats = 5
In [112]: a = np.array([[1, 2], [1, 2]])
In [113]: b = np.dstack([a]*num_repeats)
In [114]: b[:,:,0]
Out[114]:
array([[1, 2],
[1, 2]])
In [115]: b[:,:,1]
Out[115]:
array([[1, 2],
[1, 2]])
In [116]: b[:,:,2]
Out[116]:
array([[1, 2],
[1, 2]])
In [117]: b[:,:,3]
Out[117]:
array([[1, 2],
[1, 2]])
In [118]: b[:,:,4]
Out[118]:
array([[1, 2],
[1, 2]])
In [119]: b.shape
Out[119]: (2, 2, 5)
最后我們可以看到矩陣的形狀是2 x 2
,在第三維中有 5 個切片。
n-dim
數組擴展到n+1-dim
在NumPy 1.10.0
引入,我們可以利用numpy.broadcast_to
簡單地將3D
視圖生成到2D
輸入數組中。 好處是沒有額外的內存開銷和幾乎免費的運行時間。 在數組很大並且我們可以使用視圖的情況下,這將是必不可少的。 此外,這適用於通用的n-dim
情況。
我會使用單詞stack
代替copy
,因為讀者可能會將它與創建內存副本的數組復制混淆。
沿第一軸堆疊
如果我們想沿第一個軸堆疊輸入arr
,使用np.broadcast_to
創建3D
視圖的解決方案是 -
np.broadcast_to(arr,(3,)+arr.shape) # N = 3 here
沿第三個/最后一個軸堆疊
要沿第三個軸堆疊輸入arr
,創建3D
視圖的解決方案是 -
np.broadcast_to(arr[...,None],arr.shape+(3,))
如果我們真的需要一個內存副本,我們總是可以在那里附加.copy()
。 因此,解決方案將是 -
np.broadcast_to(arr,(3,)+arr.shape).copy()
np.broadcast_to(arr[...,None],arr.shape+(3,)).copy()
以下是兩種情況下堆疊的工作方式,顯示了示例情況下的形狀信息 -
# Create a sample input array of shape (4,5)
In [55]: arr = np.random.rand(4,5)
# Stack along first axis
In [56]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[56]: (3, 4, 5)
# Stack along third axis
In [57]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[57]: (4, 5, 3)
相同的解決方案將沿着第一個和最后一個軸將n-dim
輸入擴展到n+1-dim
視圖輸出。 讓我們探索一些更暗的情況 -
3D輸入案例:
In [58]: arr = np.random.rand(4,5,6)
# Stack along first axis
In [59]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[59]: (3, 4, 5, 6)
# Stack along last axis
In [60]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[60]: (4, 5, 6, 3)
4D輸入案例:
In [61]: arr = np.random.rand(4,5,6,7)
# Stack along first axis
In [62]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[62]: (3, 4, 5, 6, 7)
# Stack along last axis
In [63]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[63]: (4, 5, 6, 7, 3)
等等。
讓我們使用一個大樣本2D
案例並獲取時間並驗證輸出是view
。
# Sample input array
In [19]: arr = np.random.rand(1000,1000)
讓我們證明所提出的解決方案確實是一個視圖。 我們將沿第一個軸使用堆疊(沿第三個軸堆疊的結果非常相似)-
In [22]: np.shares_memory(arr, np.broadcast_to(arr,(3,)+arr.shape))
Out[22]: True
讓我們看看時間來證明它實際上是免費的 -
In [20]: %timeit np.broadcast_to(arr,(3,)+arr.shape)
100000 loops, best of 3: 3.56 µs per loop
In [21]: %timeit np.broadcast_to(arr,(3000,)+arr.shape)
100000 loops, best of 3: 3.51 µs per loop
作為一種觀點,將N
從3
增加到3000
對計時沒有任何改變,並且兩者在計時單位上都可以忽略不計。 因此,在內存和性能上都很有效!
這現在也可以使用np.tile 實現,如下所示:
import numpy as np
a = np.array([[1,2],[1,2]])
b = np.tile(a,(3, 1,1))
b.shape
(3,2,2)
b
array([[[1, 2],
[1, 2]],
[[1, 2],
[1, 2]],
[[1, 2],
[1, 2]]])
A=np.array([[1,2],[3,4]])
B=np.asarray([A]*N)
編輯@Mr.F,以保留維度順序:
B=B.T
這是一個廣播示例,它完全符合要求。
a = np.array([[1, 2], [1, 2]])
a=a[:,:,None]
b=np.array([1]*5)[None,None,:]
然后b*a
是所需的結果, (b*a)[:,:,0]
產生array([[1, 2],[1, 2]])
,它是原始的a
, (b*a)[:,:,1]
等
6 年后: numpy
仍然沒有“只添加一個軸”的操作。 Einops 會:
y = einops.repeat(x, 'i j -> 3 i j')
此代碼向二維 numpy 數組添加了一個長度為 3 的軸。
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.