1. NumPy中形状的含义
你写道,“我确实知道它的数字列表和列表列表,其中所有列表只包含一个数字”,但这是一个无用的思考方式。
考虑NumPy数组的最佳方法是它们由两部分组成,一个数据缓冲区,它只是一个原始元素块,另一个视图描述了如何解释数据缓冲区。
例如,如果我们创建一个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])
然后numpy.reshape由一个数据缓冲区组成,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,)
这里的形状numpy.reshape意味着数组由单个索引索引,从0到11运行。从概念上讲,如果我们将此单个索引标记为a,则数组i如下所示:
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 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
如果我们重塑数组,这不会改变数据缓冲区。 相反,它会创建一个新视图,描述解释数据的不同方式。 之后:
>>> b = a.reshape((3, 4))
数组numpy.reshape具有与a相同的数据缓冲区,但现在它被两个索引索引,这两个索引分别从0到2和0到3运行。 如果我们标记两个指数i和j,则数组b如下所示:
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 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是:
>>> b[2,1]
9
您可以看到第二个索引快速变化,第一个索引变化缓慢。 如果您更喜欢这种方式,则可以指定numpy.reshape参数:
>>> c = a.reshape((3, 4), order='F')
这会导致数组索引如下:
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 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是:
>>> c[2,1]
5
现在应该清楚,数组具有一个或多个尺寸为1的形状意味着什么。
>>> d = a.reshape((12, 1))
数组numpy.reshape由两个索引编制索引,第一个索引从0到11,第二个索引始终为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
长度1的尺寸是“自由的”(在某种意义上),所以没有什么能阻止你去城镇:
>>> e = a.reshape((1, 2, 1, 6, 1))
给出一个像这样索引的数组:
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 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
所以:
>>> e[0,1,0,0,0]
6
有关如何实现数组的更多详细信息,请参阅NumPy内部文档。
2.怎么办?
由于numpy.reshape只是创建了一个新视图,因此您不应该害怕在必要时使用它。 当您想以不同的方式索引数组时,它是正确的工具。
然而,在长时间的计算中,通常可以首先安排构造具有“正确”形状的阵列,从而最小化重塑和转置的数量。 但是,如果没有看到导致需要重塑的实际背景,很难说应该改变什么。
您问题中的示例是:
numpy.dot(M[:,0], numpy.ones((1, R)))
但这不现实。 首先,这个表达式:
M[:,0].sum()
更简单地计算结果。 第二,第0列真的有什么特别之处吗? 也许你真正需要的是:
M.sum(axis=0)