Question

我需要通过位移的3D矢量移动3D数组用于算法。截至目前，我正在使用这种（非常难看）的方法：

shiftedArray = np.roll(np.roll(np.roll(arrayToShift, shift[0], axis=0)
                                     , shift[1], axis=1),
                             shift[2], axis=2)

哪个有效，但意味着我打3个卷！（根据我的分析，我算法时间的58％用于这些）

来自Numpy.roll的文档：

参数：
  shift：int

axis：int，optional

在参数中没有提到类似数组...所以我不能进行多维滚动？

我以为我可以调用这种功能（听起来像Numpy的事情）：

np.roll(arrayToShift,3DshiftVector,axis=(0,1,2))

也许我的阵列的扁平化版本被重塑了？但那我该如何计算换档向量？这种转变真的一样吗？

我很惊讶地发现没有简单的解决办法，因为我认为这是一件很常见的事情（好吧，不是常见，但......）

那么我们如何 - 相对地 - 通过N维向量有效地移动ndarray？

注意：这个问题在2015年被问到，当numpy的滚动方法不支持此功能时。

Answer 1

理论上，使用@Ed Smith所描述的scipy.ndimage.interpolation.shift应该有效，但是由于一个开放的bug（https://github.com/scipy/scipy/issues/1323），它不会给出相当于{的多次调用的结果{ {1}}。

更新：numpy版本1.12.0中的“{3}}添加了”多卷“功能。这是一个二维示例，其中第一个轴滚动一个位置，第二个轴滚动三个位置：

np.roll

这会使下面的代码过时。我会把它留给后人。

下面的代码定义了一个我调用In [7]: x = np.arange(20).reshape(4,5) In [8]: x Out[8]: array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]) In [9]: numpy.roll(x, [1, 3], axis=(0, 1)) Out[9]: array([[17, 18, 19, 15, 16], [ 2, 3, 4, 0, 1], [ 7, 8, 9, 5, 6], [12, 13, 14, 10, 11]])的函数，它可以完成你想要的任务。下面是一个将其应用于形状为（500,500,500）的数组的示例：

multiroll

使用对In [64]: x = np.random.randn(500, 500, 500) In [65]: shift = [10, 15, 20]的多次调用来生成预期结果：

np.roll

使用In [66]: yroll3 = np.roll(np.roll(np.roll(x, shift[0], axis=0), shift[1], axis=1), shift[2], axis=2)：

生成移位的数组

multiroll

确认我们得到了预期的结果：

In [67]: ymulti = multiroll(x, shift)

对于此大小的数组，对In [68]: np.all(yroll3 == ymulti) Out[68]: True进行三次调用几乎比调用np.roll慢三倍：

multiroll

以下是In [69]: %timeit yroll3 = np.roll(np.roll(np.roll(x, shift[0], axis=0), shift[1], axis=1), shift[2], axis=2) 1 loops, best of 3: 1.34 s per loop In [70]: %timeit ymulti = multiroll(x, shift) 1 loops, best of 3: 474 ms per loop：

的定义

multiroll

Answer 2

我认为scipy.ndimage.interpolation.shift会根据docs

做你想做的事

shift：float或sequence，optional

沿轴的移动。如果浮动，每个轴的移位相同。如果序列，shift应包含每个轴的一个值。

这意味着您可以执行以下操作，

from scipy.ndimage.interpolation import shift
import numpy as np

arrayToShift = np.reshape([i for i in range(27)],(3,3,3))

print('Before shift')
print(arrayToShift)

shiftVector = (1,2,3)
shiftedarray = shift(arrayToShift,shift=shiftVector,mode='wrap')

print('After shift')
print(shiftedarray)

哪个收益率，

Before shift
[[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]]

 [[ 9 10 11]
  [12 13 14]
  [15 16 17]]

 [[18 19 20]
  [21 22 23]
  [24 25 26]]]
After shift
[[[16 17 16]
  [13 14 13]
  [10 11 10]]

 [[ 7  8  7]
  [ 4  5  4]
  [ 1  2  1]]

 [[16 17 16]
  [13 14 13]
  [10 11 10]]]

Answer 3

我相信roll很慢，因为滚动数组不能表示为原始数据的视图，因为切片或重塑操作可以。因此每次都会复制数据。有关背景信息，请参阅：https://scipy-lectures.github.io/advanced/advanced_numpy/#life-of-ndarray

首先填充数组可能值得尝试（使用＆＃39; wrap＆＃39;模式），然后在填充数组上使用切片来获取shiftedArray：http://docs.scipy.org/doc/numpy/reference/generated/numpy.pad.html

Answer 4

可以使用wrap模式下的{p> take，我认为它不会更改内存中的数组。

以下是使用@ EdSmith输入的实现：

arrayToShift = np.reshape([i for i in range(27)],(3,3,3))
shiftVector = np.array((1,2,3))
ind = 3-shiftVector    
np.take(np.take(np.take(arrayToShift,range(ind[0],ind[0]+3),axis=0,mode='wrap'),range(ind[1],ind[1]+3),axis=1,mode='wrap'),range(ind[2],ind[2]+3),axis=2,mode='wrap')

与OP的相同：

np.roll(np.roll(np.roll(arrayToShift, shift[0], axis=0) , shift[1], axis=1),shift[2], axis=2)

给出：

array([[[21, 22, 23],
        [24, 25, 26],
        [18, 19, 20]],

       [[ 3,  4,  5],
        [ 6,  7,  8],
        [ 0,  1,  2]],

       [[12, 13, 14],
        [15, 16, 17],
        [ 9, 10, 11]]])

Answer 5

np.roll有多个维度。只是做

np.roll(arrayToShift, (shift[0], shift[1], shift[2]), axis=(0,1,2))

它不是很聪明，所以你必须指定轴

几个维度的Numpy roll

5 个答案: