问题描述
np.shuffle
和np.permutation
都可以完成对于array的打乱工作,但它们所针对的都是1-D array,使得其应用场景较为有限。针对这一问题,本文给出一个沿任意轴进行打乱的方案。
解决思路
实际上 np.shuffle
和np.permutation
在面对n-D array时并不是束手无策,只是它们默认对第一维进行打乱,并没有提供维度的可选项。因此解决方案也十分简单,先对array做一次轴顺序交换即可,给出和函数如下:
def permutation(x, axis=0):
if axis==0:
return np.random.permutation(x)
else:
ori_dim=list(range(x.ndim))
ori_dim[axis]=0
ori_dim[0]=axis
temp=np.transpose(x,ori_dim)
temp=np.random.permutation(temp)
temp=np.transpose(temp, ori_dim)
return temp
和【记录】np.random.shuffle () 对多维tensor, 随机打乱其中一维的顺序代码中的比较来看,由于省去了循环的步骤,所以实测耗时更短。
总结
实际上,这一打乱函数并不符合笔者的需求,细心之人应该可以看出来,虽说它的确完成了沿某一轴进行打乱的操作,但沿着非目标轴来看,所有目标轴上的打乱范式都是相同的。举例而言,给出如下测试代码:
X=np.arange(6*8*10).reshape((6,8,10))
new_x=permutation(X,2)
原始的array为:
而沿着列维度打乱后的array为:
虽然列的确被打乱了,但每一行上列的打乱模式是相同的,也就是每一行在axis=2上的相对位置没变,0,10,20,...,70
仍然在同一列。而当初想要解决的问题则是在每一行保持数据不变的情况下打乱排布顺序,同时不同行的打乱方式不同,但并没有找到比较理想的解决办法,还是通过加入循环实现了。