Question

我有一个列表X，其中len（X）= 53，即np数组。每个阵列都有n行和303列/元素。为了给出更真实的直觉：我有53个图像，每个我提取n个（不同的）部分，每个部分由303个长特征向量表示。

如何将所有内容放在一起，使X成为X.shape=(53*n_parts, 303)

的数组

对于训练，我需要有X（特征向量）和目标Y，但在这种情况下，每个训练样例的X是303元素向量。所以我必须找到一种方法来生成一个包含303个特征向量的53 * n_parts元素的数组。

Answer 1

在numpy中将数组堆叠在一起有several functions。在您的情况下，似乎最有用的是np.vstack：

import numpy as np
result_array = np.vstack(tuple(list_of_arrays))

请注意vstack需要一个数组元组，因此您可能需要进行类型转换。

Answer 2

我不知道你要做什么。但你可能想这样做吗？

n_parts = 10
img1  = np.empty(shape=(n_parts, 303), dtype=int)
img2  = np.empty(shape=(n_parts, 303), dtype=int)
...
img53 = np.empty(shape=(n_parts, 303), dtype=int)

imgs = np.empty(shape=(53, n_parts, 303), dtype=int)

imgs[0] = img1
imgs[1] = img2
...
imgs[52] = img53

Answer 3

看起来你正在进行某种主成分分析。

您需要自己测试这些方法的性能。

让我们先谈谈你的数据，你有一个53-by-em> n -by-303三维矩阵。我假设 n 的值在所有图像中都是一致的。

方法1

您可能希望对图像数据进行矢量化，因此对于每个图像而言，不是 n -by-303，而是将其设为1-by - （ n * 303） - 换句话说，行向量的第一个元素将是第一行的第一个元素，行向量的第304个元素将是第二行的第一个元素，等等。

因此，对于每个图像，您将拥有行向量，对于整个53个图像集，您将拥有53个行向量。这些可以形成一个矩阵 - 最终将是53×（像素数）矩阵。

# Convert the elements of X to row vectors
for i,x in enumerate(X): X[i] = x.reshape(1, size(x))

# Convert the row vectors to a matrix
XX = np.vstack(X)

从那里，您可以切片您感兴趣的组件：

components = [1,517,1267,...]

FV = XX[:,components]

此时，FV是53-by - （＃components）矩阵。

方法2

而不是创建巨大的矩阵并将其切片，而是只从每个数组中提取您感兴趣的组件。

components = [1,517,1267,...]

FV = np.empty([53, size(components)])

for i,x in enumerate(X):
    row = x.reshape(1, size(x))  # Row is the image matrix, reshaped as a row vector
    FV[i] = row[:, components]

或

components = [1,517,1267,...]

for i,x in enumerate(X):
    # Don't explicitly flatten the matrix, just use the 1-D iterator
    FV[i] = row.flat[components]

此时，FV是53-by - （＃components）矩阵。

堆栈列表元素来制作一个数组？

3 个答案:

方法1

方法2