Question

我希望能够使用列表推导语法轻松地使用NumPy数组。

例如，我想像下面明显错误的代码一样只重现相同的数组。

>>> X = np.random.randn(8,4)
>>> [[X[i,j] for i in X] for j in X[i]]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: arrays used as indices must be of integer (or boolean) type

执行此操作的简便方法是什么，以避免使用range(len(X)？

Answer 1

首先，您不应该将NumPy数组用作列表列表。

其次，让我们忘掉NumPy;你的listcomp首先没有任何意义，即使对于列表也是如此。

在内部理解中，for i in X将迭代X中的行。这些行不是数字，它们是列表（或者，在NumPy中，1D数组），因此X[i]没有任何意义。您可能想要i[j]。

在外在理解中，for j in X[i]有同样的问题，但是有一个更大的问题：没有i值。你可以理解这个理解中的每个i

。

如果您对理解感到困惑，请将其写为明确的for语句，如List Comprehensions上的教程部分所述：

tmp = [] for j in X[i]: tmp.append([X[i,j] for i in X])

...扩展为：

tmp = [] for j in X[i]: tmp2 = [] for i in X: tmp2.append(X[i,j]) tmp.append(tmp2)

......这应该明白这里有什么问题。

我认为你想要的是：

[[cell for cell in row] for row in X]

再次将其转回显式for语句：

tmp = [] for row in X; tmp2 = [] for cell in row: tmp2.append(cell) tmp.append(tmp2)

这显然是正确的。

或者，如果你真的想使用索引（但你没有）：

[[X[i][j] for j in range(len(X[i]))] for i in range(len(X))]

所以，回到NumPy。在NumPy术语中，最后一个版本是：

[[X[i,j] for j in range(X.shape[1])] for i in range(X.shape[0])]

...如果你想进入列主要顺序而不是行主要，你可以（与列表列表不同）：

[[X[i,j] for i in range(X.shape[0])] for j in range(X.shape[1])]

...但这当然会转移数组，这不是你想要做的。

你不能做的一件事就是在同一个表达式中混淆了列主要和行主要顺序，因为你最终会废话。

当然，正确制作数组副本的方法是使用copy方法：

X.copy()

正如转换数组的正确方法是：

X.T

Answer 2

简单的方法是不要这样做。改为使用numpy的隐式向量化。例如，如果您有数组A和B，如下所示：

A = numpy.array([[1, 3, 5],
                 [2, 4, 6],
                 [9, 8, 7]])
B = numpy.array([[5, 3, 5],
                 [3, 5, 3],
                 [5, 3, 5]])

然后使用列表推导的以下代码：

C = numpy.array([[A[i, j] * B[i, j] for j in xrange(A.shape[1])]
                 for i in xrange(A.shape[0])])

可以更容易地写成

C = A * B

它的运行速度也会快得多。一般来说，如果你不使用numpy列表推导，你会产生更快，更清晰的代码。

如果您真的想使用列表推导，则适用标准的Python列表 - 理解 - 编写技术。迭代元素，而不是索引：

C = numpy.array([[a*b for a, b in zip(a_row, b_row)]
                 for a_row, b_row in zip(A, B)]

因此，您的示例代码将变为

numpy.array([[elem for elem in x_row] for x_row in X])

Answer 3

另一个选择（虽然不一定是高性能）是将你的问题重新考虑为地图而不是理解并编写一个ufunc：

http://docs.scipy.org/doc/numpy/reference/ufuncs.html

您可以调用functional-lite例程，如：

http://docs.scipy.org/doc/numpy/reference/generated/numpy.apply_over_axes.html http://docs.scipy.org/doc/numpy/reference/generated/numpy.vectorize.html

等

Answer 4

你的意思是关注？

>>> [[X[i,j] for j in range(X.shape[1])] for i in range(X.shape[0])]
[[0.62757350000000001, -0.64486080999999995, -0.18372566000000001, 0.78470704000000002],
 [1.78209799, -1.336448459999999 9, -1.3851422200000001, -0.49668994],
 [-0.84148266000000005, 0.18864597999999999, -1.1135151299999999, -0.40225053999999 999],
 [0.93852824999999995, 0.24652238000000001, 1.1481637499999999, -0.70346624999999996],
 [0.83842508000000004, 1.0058 697599999999, -0.91267403000000002, 0.97991269000000003],
 [-1.4265273000000001, -0.73465904999999998, 0.6684284999999999 8, -0.21551155],
 [-1.1115614599999999, -1.0035033200000001, -0.11558254, -0.4339924],
 [1.8771354, -1.0189299199999999, - 0.84754008000000003, -0.35387946999999997]]

使用numpy.ndarray.copy：

>>> X.copy()
array([[ 0.6275735 , -0.64486081, -0.18372566,  0.78470704],
       [ 1.78209799, -1.33644846, -1.38514222, -0.49668994],
       [-0.84148266,  0.18864598, -1.11351513, -0.40225054],
       [ 0.93852825,  0.24652238,  1.14816375, -0.70346625],
       [ 0.83842508,  1.00586976, -0.91267403,  0.97991269],
       [-1.4265273 , -0.73465905,  0.6684285 , -0.21551155],
       [-1.11156146, -1.00350332, -0.11558254, -0.4339924 ],
       [ 1.8771354 , -1.01892992, -0.84754008, -0.35387947]])

NumPy列表理解语法

4 个答案: