Numpy Umformen von 1d zu 2d-array mit 1 Spalte

In numpy die Abmessungen des resultierenden Arrays variieren zur Laufzeit.
Oft gibt es Verwirrung zwischen einem 1d-Arrays und 2d-Arrays mit 1 Spalte.
In einem Fall, den ich kann die Iteration über die Spalten, in dem anderen Fall kann ich nicht.

Wie lösen Sie elegant das problem?
Um zu vermeiden, littering mein code mit if Anweisungen überprüfung der Dimensionalität, verwende ich diese Funktion:

def reshape_to_vect(ar):
    if len(ar.shape) == 1:
      return ar.reshape(ar.shape[0],1)
    return ar

Jedoch, das fühlt sich unelegant und teuer. Gibt es eine bessere Lösung?

Was ist die dtype? Sieht structured.
Es ist irrelevant, ich habe gerade verwendet, die, wie ein Beispiel ich könnte am Ende mit 1d-oder 2d-array. Meine Frage ist, wie konvertiert aus 1d auf 2d-array systematisch.

InformationsquelleAutor DevShark | 2016-03-15

14

Der einfachste Weg:
```
ar.reshape(-1, 1)
```
- sollte dies der akzeptierte Antwort?
InformationsquelleAutor KaaPex

Könnten Sie tun -

ar.reshape(ar.shape[0],-1)

Zweiten Eingang zu reshape : -1 kümmert sich um die Anzahl der Elemente für die zweite Achse. So, für 2D input Fall ist, braucht es keine änderung. Für eine 1D - input-Fall, es schafft eine 2D array mit allen Elementen zu "schob" auf der ersten Achse wegen ar.shape[0], das war die totale Anzahl der Elemente.

Probe läuft

1D-Fall :

In [87]: ar
Out[87]: array([ 0.80203158,  0.25762844,  0.67039516,  0.31021513,  0.80701097])

In [88]: ar.reshape(ar.shape[0],-1)
Out[88]: 
array([[ 0.80203158],
       [ 0.25762844],
       [ 0.67039516],
       [ 0.31021513],
       [ 0.80701097]])

2D-Fall :

In [82]: ar
Out[82]: 
array([[ 0.37684126,  0.16973899,  0.82157815,  0.38958523],
       [ 0.39728524,  0.03952238,  0.04153052,  0.82009233],
       [ 0.38748174,  0.51377738,  0.40365096,  0.74823535]])

In [83]: ar.reshape(ar.shape[0],-1)
Out[83]: 
array([[ 0.37684126,  0.16973899,  0.82157815,  0.38958523],
       [ 0.39728524,  0.03952238,  0.04153052,  0.82009233],
       [ 0.38748174,  0.51377738,  0.40365096,  0.74823535]])

Eine Variante dieser Antwort ist: x = np.reshape(x, (len(x),-1)), die befasst sich auch mit dem Fall, wenn die Eingabe ein 1d-oder 2d-Liste.
machen diese eine separate Antwort, damit ich abstimmen kann es.
Getan. Vielen Dank für Ihre Empfehlung.

InformationsquelleAutor Divakar

3

Einer Variante der Antwort von divakar ist: x = np.reshape(x, (len(x),-1)), die befasst sich auch mit dem Fall, wenn die Eingabe ein 1d-oder 2d-Liste.

InformationsquelleAutor Luca Citi
0

Fragte ich dtype weil Ihr Beispiel ist rätselhaft.

Kann ich ein strukturiertes array mit 3 Elementen (1d) und 3-Felder:
```
In [1]: A = np.ones((3,), dtype='i,i,i')
In [2]: A
Out[2]: 
array([(1, 1, 1), (1, 1, 1), (1, 1, 1)], 
      dtype=[('f0', '<i4'), ('f1', '<i4'), ('f2', '<i4')])
```
Kann ich den Zugriff auf ein Feld mit Namen (hinzufügen von Klammern ändert sich nicht, Dinge)
```
In [3]: A['f0'].shape
Out[3]: (3,)
```
aber wenn ich access 2 Felder, ich bekomme immer noch ein 1d-array
```
In [4]: A[['f0','f1']].shape
Out[4]: (3,)
In [5]: A[['f0','f1']]
Out[5]: 
array([(1, 1), (1, 1), (1, 1)], 
      dtype=[('f0', '<i4'), ('f1', '<i4')])
```
Eigentlich diese zusätzlichen Klammern nicht egal, wenn ich sehe, Werte
```
In [22]: A['f0']
Out[22]: array([1, 1, 1], dtype=int32)
In [23]: A[['f0']]
Out[23]: 
array([(1,), (1,), (1,)], 
      dtype=[('f0', '<i4')])
```
Wenn das array ist eine einfache 2d -, habe ich noch nicht bekommen, Ihre Formen
```
In [24]: A=np.ones((3,3),int)
In [25]: A[0].shape
Out[25]: (3,)
In [26]: A[[0]].shape
Out[26]: (1, 3)
In [27]: A[[0,1]].shape
Out[27]: (2, 3)
```
Aber wie in der Frage der Herstellung sicher, dass ein 2d-array ist, unabhängig davon, ob die Indizierung gibt 1d oder 2, Ihre Funktion ist im Grunde ok
```
def reshape_to_vect(ar):
    if len(ar.shape) == 1:
      return ar.reshape(ar.shape[0],1)
    return ar
```
Könnte man testen ar.ndim statt len(ar.shape). Aber so oder so es ist nicht teuer - das heißt, die Ausführungszeit minimal ist - das ist kein großes array-Operationen. reshape kopiert nicht die Daten (es sei denn, Ihre Fortschritte sind seltsam), so ist es gerade die Kosten für das erstellen eines neuen array-Objekts mit einer gemeinsamen Daten-Zeiger.

Blick auf den code für np.atleast_2d; es tests für 0d und 1d. Im 1d-Fall gibt es result = ary[newaxis,:]. Es fügt die zusätzliche Achse, die erste, die mehr Natürliche numpy Standort für das hinzufügen einer Achse. Fügen Sie es am Ende.

ar.reshape(ar.shape[0],-1) ist ein cleverer Weg, unter Umgehung der if test. In kleinen timing-tests schneller, aber wir reden hier von Mikrosekunden, die Wirkung einer function-call-Ebene.

np.column_stack ist eine weitere Funktion, die erstellt Spalte arrays, wenn nötig. Es verwendet:
```
 if arr.ndim < 2:
        arr = array(arr, copy=False, subok=True, ndmin=2).T
```
- Ok, habe ich entfernt, das Beispiel. Ich habe versucht, ein konkretes Beispiel nennen, aber wenn es verwirrend ist, es ist besser, nicht zu haben.
InformationsquelleAutor hpaulj

Zu vermeiden, die Notwendigkeit der Umgestaltung in der ersten Ort, wenn Sie schneiden eine Zeile /Spalte mit einer Liste, oder eine "laufende" Scheibe, bekommst du ein 2D-array mit einer Zeile /Spalte

import numpy as np
x = np.array(np.random.normal(size=(4,4)))
print x, '\n'

Result:
[[ 0.01360395  1.12130368  0.95429414  0.56827029]
 [-0.66592215  1.04852182  0.20588886  0.37623406]
 [ 0.9440652   0.69157556  0.8252977  -0.53993904]
 [ 0.6437994   0.32704783  0.52523173  0.8320762 ]] 

y = x[:,[0]]
print y, 'col vector \n'
Result:
[[ 0.01360395]
 [-0.66592215]
 [ 0.9440652 ]
 [ 0.6437994 ]] col vector 


y = x[[0],:]
print y, 'row vector \n'

Result:
[[ 0.01360395  1.12130368  0.95429414  0.56827029]] row vector 

# Slice with "running" index on a column
y = x[:,0:1]
print y, '\n'

Result:
[[ 0.01360395]
 [-0.66592215]
 [ 0.9440652 ]
 [ 0.6437994 ]]

Statt, wenn Sie eine einzelne Zahl für die Auswahl der Zeile/Spalte, es wird Ergebnis in einem 1D-array, die die Ursache für Ihr Problem ist:

y = x[:,0]
print y, '\n'

Result:
[ 0.01360395 -0.66592215  0.9440652   0.6437994 ]

InformationsquelleAutor Yuval Atzmon

y = np.array(12)
y = y.reshape(-1,1)
print(y.shape)

O/P:- (1, 1)

InformationsquelleAutor Murtaza Chawala

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.