可以使用ndarray.reshape
或numpy.newaxis
向数组添加新维度。他们似乎都创造了一个观点,使用一个而不是另一个是否有任何理由或优势?
>>> b
array([ 1., 1., 1., 1.])
>>> c = b.reshape((1,4))
>>> c *= 2
>>> c
array([[ 2., 2., 2., 2.]])
>>> c.shape
(1, 4)
>>> b
array([ 2., 2., 2., 2.])
>>> d = b[np.newaxis,...]
>>> d
array([[ 2., 2., 2., 2.]])
>>> d.shape
(1, 4)
>>> d *= 2
>>> b
array([ 4., 4., 4., 4.])
>>> c
array([[ 4., 4., 4., 4.]])
>>> d
array([[ 4., 4., 4., 4.]])
>>>
`
答案 0 :(得分:14)
我没有看到太大差异的证据。您可以对非常大的阵列进行时间测试。基本上都是摆弄形状,可能是步幅。 __array_interface__
是访问此信息的好方法。例如:
In [94]: b.__array_interface__
Out[94]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (5,),
'strides': None,
'typestr': '<f8',
'version': 3}
In [95]: b[None,:].__array_interface__
Out[95]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (1, 5),
'strides': (0, 8),
'typestr': '<f8',
'version': 3}
In [96]: b.reshape(1,5).__array_interface__
Out[96]:
{'data': (162400368, False),
'descr': [('', '<f8')],
'shape': (1, 5),
'strides': None,
'typestr': '<f8',
'version': 3}
使用与原始缓冲区相同的data
缓冲区创建视图。相同的形状,但重塑不会改变strides
。 reshape
可让您指定order
。
.flags
显示C_CONTIGUOUS
标志的差异。
reshape
可能会更快,因为它的更改次数更少。但无论哪种方式,操作都不应该影响更大计算的时间。
e.g。对于大b
In [123]: timeit np.outer(b.reshape(1,-1),b)
1 loops, best of 3: 288 ms per loop
In [124]: timeit np.outer(b[None,:],b)
1 loops, best of 3: 287 ms per loop
有趣的观察:b.reshape(1,4).strides -> (32, 8)
这是我的猜测。 .__array_interface__
正在显示一个基础属性,而.strides
更像是一个属性(尽管它可能都隐藏在C代码中)。默认基础值为None
,当需要进行计算(或使用.strides
显示)时,它会根据形状和项目大小进行计算。 32
是到第1行末尾的距离(4x8)。 np.ones((2,4)).strides
在(32,8)
中具有相同的None
(和__array_interface__
。
b[None,:]
正准备播放阵列。广播时,重复使用现有值。这就是0
中(0,8)
的作用。
In [147]: b1=np.broadcast_arrays(b,np.zeros((2,1)))[0]
In [148]: b1.shape
Out[148]: (2, 5000)
In [149]: b1.strides
Out[149]: (0, 8)
In [150]: b1.__array_interface__
Out[150]:
{'data': (3023336880L, False),
'descr': [('', '<f8')],
'shape': (2, 5),
'strides': (0, 8),
'typestr': '<f8',
'version': 3}
b1
显示的内容与np.ones((2,5))
相同,但只有5个项目。
np.broadcast_arrays
是/numpy/lib/stride_tricks.py
中的一项功能。它使用同一文件中的as_strided
。这些函数直接使用shape和strides属性。
答案 1 :(得分:1)
在numpy.newaxis
上使用ndarray.reshape
的一个原因是当您要使用多个“未知”维度时。因此,例如,对于以下数组:
>>> arr.shape
(10, 5)
这有效:
>>> arr[:, np.newaxis, :].shape
(10, 1, 5)
但这不是:
>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension