Question

根据What is the equivalent of MATLAB's repmat in NumPy，我尝试使用python从3x3数组构建3x3x5数组。

在Matlab中，这项工作和我预期的一样。

a = [1,1,1;1,2,1;1,1,1];
a_= repmat(a,[1,1,5]);

尺寸（a_）= 3 3 5

但对于numpy.tile

b = numpy.array([[1,1,1],[1,2,1],[1,1,1]])
b_ = numpy.tile(b, [1,1,5])

b_.shape =（1,3,15）

如果我想生成与Matlab相同的数组，那么它的等价物是什么？

修改1

我期望获得的输出是

b_(:,:,1) =

1 1 1  
1 2 1  
1 1 1  

b_(:,:,2) =

1 1 1  
1 2 1  
1 1 1  

b_(:,:,3) =

1 1 1  
1 2 1  
1 1 1  

b_(:,:,4) =  

1 1 1  
1 2 1  
1 1 1  
b_(:,:,5) =

1 1 1  
1 2 1  
1 1 1

但@farenorth和numpy.dstack给出的是

[[[1 1 1 1 1]  
[1 1 1 1 1]  
[1 1 1 1 1]]  

[[1 1 1 1 1]  
[2 2 2 2 2]  
[1 1 1 1 1]]  

[[1 1 1 1 1]  
[1 1 1 1 1]  
[1 1 1 1 1]]]

Answer 1

NumPy函数通常不是matlab函数的“插入式”替换。通常，“等效”函数的使用方式存在细微差别。这需要时间来适应，但我发现过渡非常值得。

在这种情况下，np.tile文档指出当您尝试将数组平铺到比定义的更高维度时会发生什么，

  numpy.tile（A，reps）


通过重复A代表给出的次数来构造数组。

如果reps的长度为d，则结果的维度为max（d，A.ndim）。

如果A.ndim＆lt; d，通过预先添加新轴将A提升为d维。因此，形状（3）阵列被提升为（1,3）用于2-D复制，或形状（1,1,3）用于3-D复制。如果这不是所需的行为，请在调用此函数之前手动将A提升为d维。

在这种情况下，您的数组将被转换为[1, 3, 3]的形状，然后进行平铺。因此，为了获得您想要的行为，请确保将新的单例维度附加到您想要的数组，

>>> b_ = numpy.tile(b[..., None], [1, 1, 5])
>>> print(b_.shape)
(3, 3, 5)

请注意，我使用了None（即np.newaxis）和省略号表示法来指定数组末尾的新维度。您可以找到有关这些功能的更多信息here。

受OP评论启发的另一个选择是：

b_ = np.dstack((b, ) * 5)

在这种情况下，我使用元组乘法来“重新匹配”数组，然后由np.dstack构造。

正如@hpaulj指出的那样，Matlab和NumPy以不同的方式显示矩阵。要复制Matlab输出，您可以执行以下操作：

>>> for idx in xrange(b_.shape[2]):
...    print 'b_[:, :, {}] = \n{}\n'.format(idx, str(b_[:, :, idx]))
...
b_[:, :, 0] = 
[[1 1 1]
 [1 2 1]
 [1 1 1]]

b_[:, :, 1] = 
[[1 1 1]
 [1 2 1]
 [1 1 1]]

b_[:, :, 2] = 
[[1 1 1]
 [1 2 1]
 [1 1 1]]

b_[:, :, 3] = 
[[1 1 1]
 [1 2 1]
 [1 1 1]]

b_[:, :, 4] = 
[[1 1 1]
 [1 2 1]
 [1 1 1]]

祝你好运！

Answer 2

让我们尝试比较，注意使形状和价值多样化。

octave:7> a=reshape(0:11,3,4)
a =
    0    3    6    9
    1    4    7   10
    2    5    8   11

octave:8> repmat(a,[1,1,2])
ans =
ans(:,:,1) =
    0    3    6    9
    1    4    7   10
    2    5    8   11
ans(:,:,2) =    
    0    3    6    9
    1    4    7   10
    2    5    8   11

numpy equivalent - 或多或少：

In [61]: a=np.arange(12).reshape(3,4)    
In [62]: np.tile(a,[2,1,1])
Out[62]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]])

再次numpy，但order F更好地匹配MATLAB Fortran派生的布局

In [63]: a=np.arange(12).reshape(3,4,order='F')    
In [64]: np.tile(a,[2,1,1])
Out[64]: 
array([[[ 0,  3,  6,  9],
        [ 1,  4,  7, 10],
        [ 2,  5,  8, 11]],

       [[ 0,  3,  6,  9],
        [ 1,  4,  7, 10],
        [ 2,  5,  8, 11]]])

我在开始时添加了新的numpy维度，因为在很多方面它更好地复制了最后添加它的MATLAB实践。

尝试在最后添加新维度。形状为（3,4,5），但您可能不喜欢显示。

 np.tile(a[:,:,None],[1,1,2])

另一个考虑因素 - 当你压平瓷砖时会发生什么？

octave:10> repmat(a,[1,1,2])(:).'
ans =    
    0    1    2    3    4    5    6    7    8    9   10   11 
0    1    2    3     4    5    6    7    8    9   10   11

订单为F a

In [78]: np.tile(a[:,:,None],[1,1,2]).flatten()
Out[78]: 
array([ 0,  0,  3,  3,  6,  6,  9,  9,  1,  1,  4,  4,  7,  7, 10, 10,  2,
        2,  5,  5,  8,  8, 11, 11])

In [79]: np.tile(a,[2,1,1]).flatten()
Out[79]: 
array([ 0,  3,  6,  9,  1,  4,  7, 10,  2,  5,  8, 11,  0,  3,  6,  9,  1,
        4,  7, 10,  2,  5,  8, 11])

带有C阶数组：

In [80]: a=np.arange(12).reshape(3,4)

In [81]: np.tile(a,[2,1,1]).flatten()
Out[81]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11,  0,  1,  2,  3,  4,
        5,  6,  7,  8,  9, 10, 11])

最后一个匹配Octave布局。

所以：

In [83]: a=np.arange(12).reshape(3,4,order='F')

In [84]: np.tile(a[:,:,None],[1,1,2]).flatten(order='F')
Out[84]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11,  0,  1,  2,  3,  4,
        5,  6,  7,  8,  9, 10, 11])

困惑了吗？

numpy.tile没有像Matlab repmat一样工作

2 个答案: