Question

我尝试使用numpy.apply_along_axis，但这似乎仅在应用函数折叠维度而不是展开维度时才有效。

示例：

def dup(x):
    return np.array([x, x])
a = np.array([1,2,3])
np.apply_along_axis(dup, axis=0, arr=a) # This doesn't work

我期待下面的矩阵（注意它的尺寸是如何从输入矩阵a扩展的）：

np.array([[1, 1], [2, 2], [3, 3]])

在R中，这可以通过**ply包中的plyr函数集来完成。如何使用numpy？

Answer 1

如果您只想重复这些元素，可以使用np.repeat：

>>> np.repeat(a,2).reshape(3,2)
array([[1, 1],
       [2, 2],
       [3, 3]])

要使用函数np.frompyfunc并使用np.vstack转换为集成数组：

>>> def dup(x):
...     return np.array([x, x])
>>> oct_array = np.frompyfunc(dup, 1, 1)
>>> oct_array(a)
array([array([1, 1]), array([2, 2]), array([3, 3])], dtype=object)
>>> np.vstack(oct_array(a))
array([[1, 1],
       [2, 2],
       [3, 3]])

Answer 2

对于习惯于常规Python代码的人来说，列表理解可能是最简单的方法：

In [20]: np.array([dup(x) for x in a])
Out[20]: 
array([[1, 1],
       [2, 2],
       [3, 3]])

理解（将dup应用于a的每个元素的循环或映射）返回[array([1, 1]), array([2, 2]), array([3, 3])]，这很容易变成带有np.array()的二维数组。< / p>

至少对于这个小a，它也比np.frompyfunc方法快。 np.frompyfunc函数可以完全访问广播，但显然它不适用任何快速迭代技巧。

在处理多个维度时，

apply_along_axis可以帮助保持指数直线，但它仍然只是一种迭代方法。它是Python编写的，因此您可以自己研究它的代码。对于这个简单的案例，它要比复杂得多。

Answer 3

为了使您的示例按预期工作，a应该是二维的：

def dup(x):
    # x is now an array of size 1
    return np.array([ x[0], x[0] ])
a = np.array([[1,2,3]])  # 2dim
np.apply_along_axis(dup, axis=0, arr=a)
=> 
array([[1, 2, 3],
       [1, 2, 3]])

当然，您可能想要转置结果。

在numpy矩阵行中应用函数并连接结果？

3 个答案: