我在使用NumPy时遇到的一个反复出现的错误是,尝试为数组建立索引失败,因为数组的维度之一为单例,因此该维度被清除,无法进行索引。在设计为对任意大小的数组进行操作的函数中,这尤其成问题。我正在寻找最便宜,最通用的方法来避免此错误。

这是一个例子:

import numpy as np
f = (lambda t, u, i=0: t[:,i]*u[::-1])
a = np.eye(3)
b = np.array([1,2,3])
f(a,b)
f(a[:,0],b[1])


第一次呼叫按预期方式工作。第二个调用以两种方式失败:1)t不能为[:,0]编制索引,因为它的形状为(3,),2)完全无法为u编制索引,因为它是标量。

这是发生在我身上的修复程序:

1)在np.atleast_1d内使用np.atleast_2df等(可能有条件,以确保尺寸顺序正确),以确保所有参数都具有所需的尺寸。这排除了使用lambda的可能,并且可能需要一些我不希望使用的行。

2)使用f(a[:,0],b[1])代替上面的f(a[:,[0]],b[[1]])。很好,但是我总是要记住放在额外的括号中,并且如果索引存储在变量中,您可能不知道是否应该将额外的括号放在其中。例如。:

idx = 1
f(a[:,[0]],b[[idx]])
idx = [2,0,1]
f(a[:,[0]],b[idx])


在这种情况下,您似乎必须先在np.atleast_1d上调用idx,这可能比在函数中放入np.atleast_1d更为麻烦。

3)在某些情况下,我可以不用输入索引就可以摆脱困境。例如。:

f = lambda t, u: t[0]*u
f(a,b)
f(a[:,0],b[0])


这可行,并且显然是应用时最精巧的解决方案。但这并不能在每种情况下都有用(特别是,您的尺寸必须以正确的顺序开始)。

那么,有没有比上述更好的方法?

最佳答案

有很多方法可以避免这种行为。

首先,每当用np.ndarray而不是整数索引到slice的维时,输出的维数将与输入的维数相同:

import numpy as np

x = np.arange(12).reshape(3, 4)
print x[:, 0].shape               # integer indexing
# (3,)

print x[:, 0:1].shape             # slice
# (3, 1)


这是我避免该问题的首选方式,因为它可以很容易地将范围从单元素选择推广到多元素选择(例如x[:, i:i+1]x[:, i:i+n])。

如前所述,您还可以通过使用任何整数序列索引到维来避免维数损失:

print x[:, [0]].shape             # list
# (3, 1)

print x[:, (0,)].shape            # tuple
# (3, 1)

print x[:, np.array((0,))].shape  # array
# (3, 1)


如果选择使用整数索引,则始终可以使用np.newaxis(或等效地,None)插入新的单例尺寸:

print x[:, 0][:, np.newaxis]
# (3, 1)

print x[:, 0][:, None]
# (3, 1)


否则,您可以手动将其调整为正确的尺寸(此处使用-1自动推断出第一个尺寸的尺寸):

print x[:, 0].reshape(-1, 1).shape
# (3, 1)


最后,您可以使用np.matrix而不是np.ndarraynp.matrix的行为更像是MATLAB矩阵,每当您使用整数编制索引时,单维度都会保留在其中:

y = np.matrix(x)
print y[:, 0].shape
# (3, 1)


但是,您应该注意,在np.matrixnp.ndarray之间有一个number of other important differences,例如*运算符对数组执行元素逐级乘法,但对矩阵执行矩阵乘法。在大多数情况下,最好坚持使用np.ndarrays

09-10 04:42
查看更多