numpy.array shape (R, 1) and (R,) 的区别

翻译自:stackoverflow 回答 By Gareth Rees

原问题

在 numpy 中,有些运算返回 shape 为 (R, 1) 而有些返回 (R,)。由于需要显式调用 reshape,这会让矩阵乘法变得更加繁琐。举例来说,假设有一个矩阵 M,如果我们想执行 numpy.dot(M[:,0], numpy.ones((1, R))),其中 R 是行数(当然,换成列会有同样的问题)。我们会得到 matrices are not aligned 异常,因为 M[:,0] 的 shape 是 (R,) 但是 numpy.ones((1, R)) 的 shape 是 (1, R)

所以我的问题是:

  1. shape (R, 1) and (R,) 有什么区别。我知道从字面意思上一个是数的 list,另一个是只包含一个数的 list 组成的 list。只是好奇为什么不把 numpy 设计成更倾向于 shape (R, 1) 而不是 (R,) 以让矩阵乘法更简单。

  2. 上面的例子有更好的方法吗?而不用显式地像这样调用 reshapenumpy.dot(M[:,0].reshape(R, 1), numpy.ones((1, R)))

回答

1. NumPy 中 shape 的含义

你写到,“我知道从字面意思上一个是数的 list,另一个是只包含一个数的 list 组成的 list”,但是用这种方式去想有点没啥用。

考虑 NumPy 数组的最好方式是它们包含两个部分,一个 数据缓冲区(data buffer),它只是一个原始数据块(a block of raw elements), 以及一个描述如何解释数据缓冲区的 视图(view)。

比如,如果我们创建一个包含 12 个整数的数组:

>>> a = numpy.arange(12)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

这时 a 包含一个数据缓冲区,排列如下:

┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

以及描述如何解释数据的视图:

>>> a.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False
>>> a.dtype
dtype('int64')
>>> a.itemsize
8
>>> a.strides
(8,)
>>> a.shape
(12,)

这里的 shape (12,) 表示这个数组由单个索引索引,该索引从 0 到 11。从概念上讲,如果我们标记这个索引 i,数组 a 看起来像这样:

i= 0    1    2    3    4    5    6    7    8    9   10   11
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

如果我们 reshape 一个数组,它不会改变数据缓冲区。相反,它创建了一个新视图,描述了解释数据的不同方式。所以当运行下面之后:

>>> b = a.reshape((3, 4))

数组 ba 有相同的数据缓冲区,但是现在被 两个 索引索引,其中分别从 0 到 2 和 0 到 3。如果我们标记两个索引为 ij,数组 b 像这样:

i= 0    0    0    0    1    1    1    1    2    2    2    2
j= 0    1    2    3    0    1    2    3    0    1    2    3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

这意味着:

>>> b[2,1]
9

你可以看到第二个索引改变得快一点,第一个索引改变得慢。如果你希望反过来,可以指定 order 参数:

>>> c = a.reshape((3, 4), order='F')

这会使得数组索引像这样:

i= 0    1    2    0    1    2    0    1    2    0    1    2
j= 0    0    0    1    1    1    2    2    2    3    3    3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

这意味着:

>>> c[2,1]
5

现在应该清楚了数组具有一个或多个维度(dimensions)为 1 的 shape 意味着什么。经过执行:

>>> d = a.reshape((12, 1))

数组 d 被两个索引索引,第一个从 0 到 11,第二个索引全是 0:

i= 0    1    2    3    4    5    6    7    8    9   10   11
j= 0    0    0    0    0    0    0    0    0    0    0    0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

所以:

>>> d[10,0]
10

维度为 1 是 “自由的”(某种意义上来说),所以没人你能阻止你这么干:

>>> e = a.reshape((1, 2, 1, 6, 1))

使得一个数组的所有变成这样:

i= 0    0    0    0    0    0    0    0    0    0    0    0
j= 0    0    0    0    0    0    1    1    1    1    1    1
k= 0    0    0    0    0    0    0    0    0    0    0    0
l= 0    1    2    3    4    5    0    1    2    3    4    5
m= 0    0    0    0    0    0    0    0    0    0    0    0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│  0 │  1 │  2 │  3 │  4 │  5 │  6 │  7 │  8 │  9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘

因此:

>>> e[0,1,0,0,0]
6

有关如何实现数组的更多详细信息,请参见 NumPy 内部文档

2. 该怎么办?

既然 numpy.reshape 只是创建了一个新视图,那么在有必要去使用它的时候不要感到害怕。当你想要以不同的方式索引数组时,这是正确的工具。

然而,在长时间的计算中,通常可以首先安排去构造具有“正确”形状的数组,从而最大限度地减少 reshape 和 transpose 的次数。但在没有看到导致有 reshape 需求的实际背景之前,很难说应该改变什么。

你的问题中的例子是:

numpy.dot(M[:,0], numpy.ones((1, R)))

但这是不现实的。首先,这个表达式:

M[:,0].sum()

可以更简单地计算结果。其次,第 0 列真的有什么特别的吗?也许你真正需要的是:

M.sum(axis=0)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值