從列表中重塑numpy數組

Question

我對ndarray的形狀存在以下問題：

out.shape = (20,)
reference.shape = (20,0)
norm = [out[i] / np.sum(out[i]) for i in range(len(out))]
# norm is a list now so I convert it to ndarray:
norm_array = np.array((norm))
norm_array.shape = (20,30)

# error: operands could not be broadcast together with shapes (20,30) (20,) 
diff = np.fabs(norm_array - reference)

如何將norm_array的形狀從（20,30）更改為（20，）或引用（20,30），以便減去它們？

編輯：有人可以解釋我，為什么它們具有不同的形狀，如果我可以使用norm_array [0] [0]和reference [0] [0]訪問兩個單個元素？

Answer 1

我不確定您到底想做什么，但是這里有一些有關numpy數組的信息。

一維numpy數組是形狀為單值元組的行向量：

>>> np.array([1,2,3]).shape
(3,) 

您可以通過傳遞嵌套列表來創建多維數組。 每個子列表是長度為1的一維行向量，其中有3個。

>>> np.array([[1],[2],[3]]).shape
(3,1)

這是奇怪的部分。 您可以創建相同的數組，但將列表留空。 您最終得到3個長度為0的行向量。

>>> np.array([[],[],[]]).shape
(3,0)

這就是您要reference數組，它是具有結構但沒有值的數組。 這使我回到原來的觀點：

您不能減去一個空數組。

Answer 2

如果我用您描述的形狀制作2個數組，則會出現錯誤

In [1856]: norm_array=np.ones((20,30))
In [1857]: reference=np.ones((20,0))
In [1858]: norm_array-reference
...
ValueError: operands could not be broadcast together with shapes (20,30) (20,0) 

但這與您的不同。 但是，如果我更改reference的形狀，則錯誤消息會匹配。

In [1859]: reference=np.ones((20,))
In [1860]: norm_array-reference
 ...
ValueError: operands could not be broadcast together with shapes (20,30) (20,) 

因此，您的(20,0)是錯誤的。 我不知道您是否輸錯了什么。

但是，如果我在最后一個維度中用2 reference 2d，則廣播工作正常，產生的差異與形狀匹配（20,30）：

In [1861]: reference=np.ones((20,1))
In [1862]: norm_array-reference

如果reference = np.zeros((20,)) ，那么我可以使用reference[:,None]添加該單例最后一個維度。

如果reference為（20，），則不能執行reference[0][0] 。 reference[0][0]僅適用於最后一個暗角中至少具有1的2d數組。 reference[0,0]是索引2d數組單個元素的首選方法。

到目前為止，這是正常的陣列尺寸和廣播。 使用中會學到的東西。

===============

我對out的形狀感到困惑。 如果為（20，）， norm_array結果如何為（20,30）。 out必須包含20個數組或列表，每個數組或列表包含30個元素。

如果out是2d數組，我們可以進行標准化而無需迭代

In [1869]: out=np.arange(12).reshape(3,4)

與列表理解：

In [1872]: [out[i]/np.sum(out[i]) for i in range(out.shape[0])]
Out[1872]: 
[array([ 0.        ,  0.16666667,  0.33333333,  0.5       ]),
 array([ 0.18181818,  0.22727273,  0.27272727,  0.31818182]),
 array([ 0.21052632,  0.23684211,  0.26315789,  0.28947368])]
In [1873]: np.array(_)   # and to array
Out[1873]: 
array([[ 0.        ,  0.16666667,  0.33333333,  0.5       ],
       [ 0.18181818,  0.22727273,  0.27272727,  0.31818182],
       [ 0.21052632,  0.23684211,  0.26315789,  0.28947368]])

取行總和，並告訴它保留2d以方便進一步使用

In [1876]: out.sum(axis=1,keepdims=True)
Out[1876]: 
array([[ 6],
       [22],
       [38]])

現在分裂

In [1877]: out/out.sum(axis=1,keepdims=True)
Out[1877]: 
array([[ 0.        ,  0.16666667,  0.33333333,  0.5       ],
       [ 0.18181818,  0.22727273,  0.27272727,  0.31818182],
       [ 0.21052632,  0.23684211,  0.26315789,  0.28947368]])