numpy.array 形状 (R, 1) 和 (R,) 之间的区别
- 2024-12-11 08:48:00
- admin 原创
- 145
问题描述:
在 中numpy
,一些操作返回形状为(R, 1)
,但一些操作返回(R,)
。这将使矩阵乘法更加繁琐,因为reshape
需要显式地 。例如,给定一个矩阵M
,如果我们想做numpy.dot(M[:,0], numpy.ones((1, R)))
其中R
是行数(当然,同样的问题也发生在列上)。我们会得到matrices are not aligned
错误,因为M[:,0]
是形状(R,)
,但numpy.ones((1, R))
是形状(1, R)
。
我的问题是:
(R, 1)
形状和之间有什么区别(R,)
。我知道字面上它是数字列表和列表列表,其中所有列表都只包含一个数字。只是想知道为什么不设计numpy
成有利于形状(R, 1)
而不是(R,)
更容易进行矩阵乘法。上面的例子有没有更好的方法?没有像这样明确地重塑:
numpy.dot(M[:,0].reshape(R, 1), numpy.ones((1, R)))
解决方案 1:
1. NumPy 中形状的含义
你写道,“我知道它实际上是数字列表和列表的列表,其中所有列表都只包含一个数字”,但这是一种无益的思考方式。
思考 NumPy 数组的最佳方式是它们由两部分组成,一个是数据缓冲区(只是一块原始元素),另一个是描述如何解释数据缓冲区的视图。
例如,如果我们创建一个包含 12 个整数的数组:
>>> a = numpy.arange(12)
>>> a
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
然后a
由一个数据缓冲区组成,其排列方式如下:
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
以及描述如何解释数据的观点:
>>> a.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
>>> a.dtype
dtype('int64')
>>> a.itemsize
8
>>> a.strides
(8,)
>>> a.shape
(12,)
这里的形状 (12,)
表示数组由从 0 到 11 的单个索引进行索引。从概念上讲,如果我们标记这个单个索引i
,则数组a
如下所示:
i= 0 1 2 3 4 5 6 7 8 9 10 11
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
如果我们重塑数组,这不会改变数据缓冲区。相反,它会创建一个新的视图,描述解释数据的不同方式。因此之后:
>>> b = a.reshape((3, 4))
该数组b
具有与 相同的数据缓冲区,但现在它由两个a
索引进行索引,这两个索引分别从 0 到 2 和 0 到 3。如果我们将这两个索引标记为和,则数组如下所示:i
`j`b
i= 0 0 0 0 1 1 1 1 2 2 2 2
j= 0 1 2 3 0 1 2 3 0 1 2 3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
这意味着:
>>> b[2,1]
9
您可以看到第二个索引变化很快,而第一个索引变化很慢。如果您希望反过来,可以指定参数order
:
>>> c = a.reshape((3, 4), order='F')
其结果是一个如下索引数组:
i= 0 1 2 0 1 2 0 1 2 0 1 2
j= 0 0 0 1 1 1 2 2 2 3 3 3
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
这意味着:
>>> c[2,1]
5
现在应该清楚数组具有一个或多个尺寸为 1 的形状意味着什么。之后:
>>> d = a.reshape((12, 1))
该数组d
由两个索引索引,其中第一个索引从 0 到 11,第二个索引始终为 0:
i= 0 1 2 3 4 5 6 7 8 9 10 11
j= 0 0 0 0 0 0 0 0 0 0 0 0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
所以:
>>> d[10,0]
10
长度为 1 的维度是“免费的”(在某种意义上),所以没有什么可以阻止你去城镇:
>>> e = a.reshape((1, 2, 1, 6, 1))
给出一个像这样索引的数组:
i= 0 0 0 0 0 0 0 0 0 0 0 0
j= 0 0 0 0 0 0 1 1 1 1 1 1
k= 0 0 0 0 0 0 0 0 0 0 0 0
l= 0 1 2 3 4 5 0 1 2 3 4 5
m= 0 0 0 0 0 0 0 0 0 0 0 0
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐
│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │
└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
所以:
>>> e[0,1,0,0,0]
6
有关如何实现数组的更多详细信息,请参阅NumPy 内部文档。
2. 该怎么办?
由于numpy.reshape
只是创建了一个新视图,因此您不必担心在必要时使用它。当您想要以不同的方式索引数组时,它是正确的工具。
然而,在长时间计算中,通常可以首先安排构建具有“正确”形状的数组,从而最大限度地减少重塑和转置的次数。但如果不了解导致需要重塑的实际背景,就很难说应该改变什么。
你问题中的例子是:
numpy.dot(M[:,0], numpy.ones((1, R)))
但这不现实。首先,这个表达式:
M[:,0].sum()
计算结果更简单。其次,第 0 列真的有什么特别之处吗?也许你真正需要的是:
M.sum(axis=0)
解决方案 2:
(R,)
和之间的区别(1,R)
实际上是您需要使用的索引数量。 ones((1,R))
是一个恰好只有一行的二维数组。 ones(R)
是一个向量。 通常,如果变量有多个行/列是没有意义的,则应该使用向量,而不是具有单维的矩阵。
对于您的具体情况,有以下几种选择:
1) 只需将第二个参数设为向量即可。以下方法有效:
np.dot(M[:,0], np.ones(R))
2) 如果您想要类似 matlab 的矩阵运算,请使用类matrix
而不是ndarray
。所有矩阵都被强制为二维数组,并且运算符*
执行矩阵乘法而不是元素乘法(因此您不需要点)。根据我的经验,这比它值得的麻烦更多,但如果您习惯使用 matlab,它可能很好。
解决方案 3:
形状是一个元组。如果只有 1 个维度,形状将是一个数字,逗号后为空白。对于 2 个以上维度,所有逗号后都会有一个数字。
# 1 dimension with 2 elements, shape = (2,).
# Note there's nothing after the comma.
z=np.array([ # start dimension
10, # not a dimension
20 # not a dimension
]) # end dimension
print(z.shape)
(2,)
# 2 dimensions, each with 1 element, shape = (2,1)
w=np.array([ # start outer dimension
[10], # element is in an inner dimension
[20] # element is in an inner dimension
]) # end outer dimension
print(w.shape)
(2,1)
解决方案 4:
对于其基数组类,二维数组并不比一维或三维数组更特殊。有些操作会保留维度,有些会减少维度,有些会合并甚至扩展维度。
M=np.arange(9).reshape(3,3)
M[:,0].shape # (3,) selects one column, returns a 1d array
M[0,:].shape # same, one row, 1d array
M[:,[0]].shape # (3,1), index with a list (or array), returns 2d
M[:,[0,1]].shape # (3,2)
In [20]: np.dot(M[:,0].reshape(3,1),np.ones((1,3)))
Out[20]:
array([[ 0., 0., 0.],
[ 3., 3., 3.],
[ 6., 6., 6.]])
In [21]: np.dot(M[:,[0]],np.ones((1,3)))
Out[21]:
array([[ 0., 0., 0.],
[ 3., 3., 3.],
[ 6., 6., 6.]])
给出相同数组的其他表达式
np.dot(M[:,0][:,np.newaxis],np.ones((1,3)))
np.dot(np.atleast_2d(M[:,0]).T,np.ones((1,3)))
np.einsum('i,j',M[:,0],np.ones((3)))
M1=M[:,0]; R=np.ones((3)); np.dot(M1[:,None], R[None,:])
MATLAB 最初仅支持二维数组。较新的版本允许更多维度,但保留 2 的下限。但您仍需注意行矩阵和第一列矩阵(形状为(1,3)
v )之间的区别(3,1)
。您写过多少次[1,2,3].'
?我本来打算写row vector
和column vector
,但由于该二维约束,MATLAB 中不存在任何向量 - 至少在数学意义上不存在一维向量。
您看过了吗np.atleast_2d
(还有_1d 和 _3d 版本)?
在较新的 Python/numpy 中有一个matmul
运算符
In [358]: M[:,0,np.newaxis]@np.ones((1,3))
Out[358]:
array([[0., 0., 0.],
[3., 3., 3.],
[6., 6., 6.]])
从numpy
某种意义上说,元素乘法比矩阵乘法更基本。对于大小为 1 的维度上的乘积和,无需使用dot/matmul
:
In [360]: M[:,0,np.newaxis]*np.ones((1,3))
Out[360]:
array([[0., 0., 0.],
[3., 3., 3.],
[6., 6., 6.]])
这使用了一直以来都具有broadcasting
的强大功能numpy
。MATLAB 最近才添加了它。
解决方案 5:
这里已经有很多很好的答案了。但对我来说,很难找到一些示例,其中形状或数组可以破坏整个程序。
以下是其中的一个:
import numpy as np
a = np.array([1,2,3,4])
b = np.array([10,20,30,40])
from sklearn.linear_model import LinearRegression
regr = LinearRegression()
regr.fit(a,b)
这将失败并出现错误:
ValueError:预期为 2D 数组,但得到的却是 1D 数组
但如果我们reshape
添加a
:
a = np.array([1,2,3,4]).reshape(-1,1)
这工作正常!
解决方案 6:
形状为 (n,) 的数据结构称为秩 1 数组。它的行为与行向量或列向量不一致,这使得它的某些操作和效果不直观。如果您对此 (n,) 数据结构进行转置,它看起来完全相同,并且点积将给出一个数字而不是矩阵。形状为 (n,1) 或 (1,n) 的行向量或列向量更加直观和一致。
解决方案 7:
1) 不选择(R, 1)
大于的形状的原因(R,)
是它不必要地使事情复杂化。此外,为什么(R, 1)
默认长度为 R 的向量的形状比更好(1, R)
?最好保持简单,并在需要额外维度时明确说明。
2)对于您的示例,您正在计算外积,因此您可以reshape
使用以下命令无需调用即可完成此操作np.outer
:
np.outer(M[:,0], numpy.ones((1, R)))
解决方案 8:
为了清楚起见,我们讨论的是:
NumPy 数组,也称为
numpy.ndarray
已知数组的形状
numpy.ndarray.shape
问题假设一些未知数
numpy.ndarray
,其形状为(R,)
,其中R
应理解为其各自维度的长度
NumPy 数组具有形状。它.shape
由一个元组表示,其中元组中的每个元素告诉我们该维度的长度。为了简单起见,我们坚持使用行和列。虽然我们的值numpy.ndarray
在以下示例中不会改变,但形状会改变。
让我们考虑一个包含值 1、2、3 和 4 的数组。
我们的示例将包括以下.shape
表示:
(4,) # 1-dimensional array with length 4
(1,4) # 2-dimensional array with row length 1, column length 4
(4,1) # 2-dimensional array with row length 4, column length 1
我们可以用变量a
和来更抽象地思考这个问题b
。
(a,) # 1-dimensional array with length a
(b,a) # 2-dimensional array with row length b, column length a
(a,b) # 2-dimensional array with row length a, column length b
对我来说,“手动”构建它们以更好地了解它们的尺寸含义是有帮助的。
>> # (4,)
>> one_dimensional_vector = np.array(
[1, 2, 3, 4]
)
>> # (1,4)
>> row_vector = np.array(
[
[1, 2, 3, 4]
]
)
>> # (4,1)
>> column_vector = np.array(
[
[1],
[2],
[3],
[4]
]
)
那么,第一个问题的答案是:
形状 (R, 1) 和 (R,) 之间有什么区别?
答案:它们有不同的维度。a
是一维的长度,而b
另一维的长度分别.shape
是(a, b)
和。恰好是 1。一种思考方式是,如果行的长度为 1,那么它就是行向量。如果列的长度为 1,那么它代表的就是列向量。(a,)
`ba = 1
b = 1`numpy.ndarray
对于上面的例子,还有更好的方法吗?
答案:假设我们有一个上面用作示例的数组,其值为 1、2、3 和 4。一种方便的获取方法(R,)
是(R, 1)
:
>> one_dimensional_array = np.array([1,2,3,4])
>> one_dimensional_array.shape
(4,)
>> row_vector = one_dimensional_array[:, None]
>> row_vector.shape
(4, 1)
资源
NumPy — ndarrays — https://numpy.org/doc/stable/reference/arrays.ndarray.html
交叉验证@unutbu — 维度技巧 — https://stats.stackexchange.com/a/285005