我试图平铺一个数组,其中每个索引都是多维的。
然后我从每个索引中删除第 i 个子元素。
例如,从这个数组开始:
>>> a = np.array([[ 1. , 7. , 0. ],
[ 2. , 7. , 0. ],
[ 3. , 7. , 0. ]])
>>> a = np.tile(a, (a.shape[0],1,1))
>>> print a
array([[[ 1. , 7. , 0. ],
[ 2. , 7. , 0. ],
[ 3. , 7. , 0. ]],
[[ 1. , 7. , 0. ],
[ 2. , 7. , 0. ],
[ 3. , 7. , 0. ]],
[[ 1. , 7. , 0. ],
[ 2. , 7. , 0. ],
[ 3. , 7. , 0. ]]])
期望的输出:
b = np.array([[[ 2. , 7. , 0. ],
[ 3. , 7. , 0. ]],
[[ 1. , 7. , 0. ],
[ 3. , 7. , 0. ]],
[[ 1. , 7. , 0. ],
[ 2. , 7. , 0. ]]])
我想知道是否有一种更有效的方法来生成这个输出,而不必先创建一个大数组然后从中删除?
[更新]
这种排列背后的意图是尝试矢量化而不是使用 python for 循环。 Divakar 提供的答案对完成这项任务有很大帮助。我还想链接到 this post,它显示了这个排列的逆,并且有助于在我完成后重新排列所有值以求和。
另外,我试图在 Tensorflow 的张量上使用相同的排列技术(请参阅 this post )
最佳答案
方法 #1 : 这是一种方法,它创建一个二维索引数组,以便在每行的每个 i-th
位置跳过这些索引,然后使用它来索引输入数组的第一个轴 -
def approach1(a):
n = a.shape[0]
c = np.nonzero(~np.eye(n,dtype=bool))[1].reshape(n,n-1) # dim0 indices
return a[c]
sample 运行 -
In [272]: a
Out[272]:
array([[56, 95],
[31, 73],
[76, 61]])
In [273]: approach1(a)
Out[273]:
array([[[31, 73],
[76, 61]],
[[56, 95],
[76, 61]],
[[56, 95],
[31, 73]]])
方法#2: 这是使用
np.broadcast_to
的另一种方法,它在输入数组中创建扩展 View ,然后对其进行屏蔽以获得所需的输出 -def approach2(a):
n = a.shape[0]
mask = ~np.eye(n,dtype=bool)
return np.broadcast_to(a, (n, n, a.shape[-1]))[mask].reshape(n,n-1,-1)
运行时测试
In [258]: a = np.random.randint(11,99,(200,3))
In [259]: np.allclose(approach1(a), approach2(a))
Out[259]: True
In [260]: %timeit approach1(a)
1000 loops, best of 3: 1.43 ms per loop
In [261]: %timeit approach2(a)
1000 loops, best of 3: 1.56 ms per loop
关于python - 在删除axis0的第I个索引的子元素的同时创建一个平铺的多维数组?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/41780018/