Question

使用NumPy时遇到的一个反复出现的错误是索引数组的尝试失败，因为数组的一个维度是单例，因此该维度被清除而无法编入索引。这在设计用于在任意大小的阵列上操作的功能中尤其成问题。我正在寻找最便宜，最通用的方法来避免这个错误。

以下是一个例子：

import numpy as np
f = (lambda t, u, i=0: t[:,i]*u[::-1])
a = np.eye(3)
b = np.array([1,2,3])
f(a,b)
f(a[:,0],b[1])

第一个呼叫按预期工作。第二次调用以两种方式失败：1）t无法将[:,0]编入索引，因为其形状为(3,)，且2）u无法编入索引因为它是一个标量。

以下是我发现的修复：

1）在np.atleast_1d内使用np.atleast_2d和f等（可能有条件以确保维度的顺序正确），以确保所有参数都具有尺寸他们需要。这排除了lambdas的使用，并且可以采取我不想要的几行。

2）不要在上面写f(a[:,0],b[1])，而是使用f(a[:,[0]],b[[1]])。这很好，但我总是要记住放入额外的括号，如果索引存储在变量中，您可能不知道是否应该添加额外的括号。例如：

idx = 1
f(a[:,[0]],b[[idx]])
idx = [2,0,1]
f(a[:,[0]],b[idx])

在这种情况下，您似乎必须首先在np.atleast_1d上调用idx，这可能比将np.atleast_1d放入函数中更加麻烦。

3）在某些情况下，我可以放弃而不是放入索引。 E.g：

f = lambda t, u: t[0]*u
f(a,b)
f(a[:,0],b[0])

这很有效，并且在应用时显然是最简单的解决方案。但它在每种情况下都没有用（特别是，你的尺寸必须以正确的顺序开始）。

那么，有比上述方法更好的方法吗？

Answer 1

有很多方法可以避免这种行为。

首先，每当您使用np.ndarray而不是整数索引slice的维度时，输出的维度数将与输入的维度相同：

import numpy as np

x = np.arange(12).reshape(3, 4)
print x[:, 0].shape               # integer indexing
# (3,)

print x[:, 0:1].shape             # slice
# (3, 1)

这是我避免这个问题的首选方法，因为它很容易从单元素选择到多元素选择（例如x[:, i:i+1] vs x[:, i:i+n]）。

正如您已经提到过的，您还可以通过使用任何整数序列来索引尺寸来避免尺寸损失：

print x[:, [0]].shape             # list
# (3, 1)

print x[:, (0,)].shape            # tuple
# (3, 1)

print x[:, np.array((0,))].shape  # array
# (3, 1)

如果您选择使用整数索引，则始终可以使用np.newaxis（或等效地None）插入新的单例维度：

print x[:, 0][:, np.newaxis]
# (3, 1)

print x[:, 0][:, None]
# (3, 1)

否则您可以手动将其重新整形为正确的大小（此处使用-1自动推断第一个尺寸的大小）：

print x[:, 0].reshape(-1, 1).shape
# (3, 1)

最后，您可以使用np.matrix而不是np.ndarray。 np.matrix的行为更像是MATLAB矩阵，只要您使用整数进行索引，就会保留单个维度：

y = np.matrix(x)
print y[:, 0].shape
# (3, 1)

但是，您应该知道np.matrix和np.ndarray之间存在number of other important differences，例如*运算符对数组执行元素乘法，但矩阵乘法运算矩阵。在大多数情况下，最好坚持np.ndarrays。

处理python数组中的维度崩溃

1 个答案: