ValueError: alle Eingabe-arrays müssen dieselbe Anzahl von Dimensionen

Ich habe ein problem mit np.append.

Ich versuche, duplizieren Sie die Letzte Spalte von 20x361 matrix n_list_converted indem mithilfe des folgenden Codes:

n_last = []
n_last = n_list_converted[:, -1]
n_lists = np.append(n_list_converted, n_last, axis=1)

Aber ich bekomme Fehler:

ValueError: alle Eingabe-arrays müssen dieselbe Anzahl von Dimensionen

Jedoch, ich habe die matrix-Dimensionen zu tun

 print(n_last.shape, type(n_last), n_list_converted.shape, type(n_list_converted))

bekommen und habe

(20L,) (20L, 361L)

also die Abmessungen entsprechen? Wo ist der Fehler???

Versuchen np.column_stack.
Es hat geklappt! Aber warum?

InformationsquelleAutor odo22 | 2016-08-09

  1. 11

    Wenn ich starte mit ein 3x4 array verketten, 3x1 array, mit Achse 1, bekomme ich eine 3x5-array:

    In [911]: x = np.arange(12).reshape(3,4)
In [912]: np.concatenate([x,x[:,-1:]], axis=1)
Out[912]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])
In [913]: x.shape,x[:,-1:].shape
Out[913]: ((3, 4), (3, 1))

    Beachten Sie, dass die beiden Eingänge zum verketten von 2 Dimensionen.

    Weglassen :, und x[:,-1] ist (3,) Form - es ist 1d, und daher der Fehler:

    In [914]: np.concatenate([x,x[:,-1]], axis=1)
...
ValueError: all the input arrays must have same number of dimensions

    Den code für np.append ist (in diesem Fall, wo die Achse angegeben)

    return concatenate((arr, values), axis=axis)

    Also mit einer leichten Veränderung der syntax append funktioniert. Statt einer Liste dauert es 2 Argumente. Es imitiert die Liste append syntax, sollte aber nicht verwechselt werden mit dieser Liste Methode.

    In [916]: np.append(x, x[:,-1:], axis=1)
Out[916]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

    np.hstack erste stellt sicher, dass alle Eingänge sind atleast_1d, und dann tut verketten:

    return np.concatenate([np.atleast_1d(a) for a in arrs], 1)

    So erfordert es die gleiche x[:,-1:] Eingang. Im wesentlichen die gleiche Aktion.

    np.column_stack auch nicht ein verketten von auf Achse 1. Aber zuerst geht es 1d-inputs durch

    array(arr, copy=False, subok=True, ndmin=2).T

    Dies ist eine Allgemeine Art und Weise des Drehens, (3,) array in ein (3,1) - array.

    In [922]: np.array(x[:,-1], copy=False, subok=True, ndmin=2).T
Out[922]: 
array([[ 3],
       [ 7],
       [11]])
In [923]: np.column_stack([x,x[:,-1]])
Out[923]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

    Alle diese 'stacks' kann bequem sein, aber auf lange Sicht, es ist wichtig zu verstehen, die Abmessungen und die Basis np.concatenate. Auch wissen, wie, schauen Sie den code für Funktionen wie diese. Ich benutze die ipython ?? Magie viel.

    Und in der Zeit tests, die np.concatenate ist deutlich schneller - mit einem kleinen array die zusätzliche Ebenen von Funktionsaufrufen macht einen großen Unterschied.

    InformationsquelleAutor hpaulj

  2. 8

    (n,) und (n,1) sind nicht die gleiche Form. Versuchen Sie, Gießen Sie den Vektor in einem array mit der [:, None] notation:

    n_lists = np.append(n_list_converted, n_last[:, None], axis=1)

    Alternativ, wenn Sie extrahieren n_last können Sie

    n_last = n_list_converted[:, -1:]

    um eine (20, 1) array.

    InformationsquelleAutor Aguy

  3. 4

    Den Grund, warum Sie bekommen Ihr Fehler ist, da ein "1 von n" - matrix unterscheidet sich von einem array der Länge n.

    Empfehle ich hstack() und vstack() statt.
    Wie diese:

    import numpy as np
a = np.arange(32).reshape(4,8) # 4 rows 8 columns matrix.
b = a[:,-1:]                    # last column of that matrix.

result = np.hstack((a,b))       # stack them horizontally like this:
#array([[ 0,  1,  2,  3,  4,  5,  6,  7,  7],
#       [ 8,  9, 10, 11, 12, 13, 14, 15, 15],
#       [16, 17, 18, 19, 20, 21, 22, 23, 23],
#       [24, 25, 26, 27, 28, 29, 30, 31, 31]])

    Bemerken, die wiederholt "7, 15, 23, 31" - Spalte.
    Beachten Sie auch, dass ich a[:,-1:] statt a[:,-1]. Meine version erzeugt eine Spalte:

    array([[7],
       [15],
       [23],
       [31]])

    Statt einer Zeile array([7,15,23,31])

    Edit: append() ist viel langsamer. Lesen diese Antwort.

    np.append ist langsamer als Liste .append; aber vergleichbar mit der stacks. Es nutzt np.concatenate.
    Also... Wie ich sagte, mit append vs stack ist das gleiche mit 2-Matrizen und stack ist besser für mehr als 2 Elemente, so stack ist immer mindestens so gut wie append.

    InformationsquelleAutor RuRo

Schreibe einen Kommentar