ฉันกำลังใช้ numpy ฉันมีเมทริกซ์ที่มี 1 คอลัมน์และแถว N และฉันต้องการรับอาร์เรย์จากองค์ประกอบ N
ตัวอย่างเช่นถ้าผมมีผมต้องการที่จะได้รับM = matrix([[1], [2], [3], [4]])A = array([1,2,3,4])
A = np.array(M.T)[0]เพื่อให้บรรลุมันผมใช้ ไม่มีใครรู้วิธีที่สง่างามมากขึ้นเพื่อให้ได้ผลลัพธ์เดียวกันหรือไม่
ขอบคุณ!
คำตอบ:
หากคุณต้องการให้อ่านง่ายขึ้นคุณสามารถทำสิ่งนี้ได้:
A = np.squeeze(np.asarray(M))คุณสามารถทำได้เช่นกัน: A = np.asarray(M).reshape(-1)แต่ก็อ่านง่ายกว่านิดหน่อย
numpy.matrixเป็นประเด็นที่ถกเถียงกันอยู่บ้าง แต่ผู้ที่มีหน้าที่รับผิดชอบนั้นเห็นด้วยกับคุณมากว่าการมีทั้งคู่นั้นไม่โอ้อวดและน่ารำคาญด้วยเหตุผลหลายประการ อย่างไรก็ตามจำนวนรหัสเก่าที่ไม่มีการลบ "อยู่ในสถานะเสริม" ที่ใช้matrixทำให้ยากที่จะลบออกอย่างสมบูรณ์
sklearn) ในความเป็นจริงมีหลายsparse matrixประเภทในscipyซึ่งอนุญาตให้เข้าถึงอย่างมีประสิทธิภาพผ่านแถวหรือคอลัมน์ ฉันคิดว่านี่อาจเป็นปัญหาสำหรับการรวมแนวคิดของเมทริกซ์และอาร์เรย์ ที่กล่าวว่าฉันสงสัยว่าจะมีการแนะนำsparse arrayประเภทเช่นกันหรือไม่และมีแผนสำหรับการทำเช่นนั้นหรือไม่ เบาะแสใด ๆ
result = M.A1https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.matrix.A1.html
matrix.A1
1-d base array
A, = np.array(M.T)ขึ้นอยู่กับสิ่งที่คุณหมายถึงโดยสง่างามฉันคิดว่า แต่นั่นคือสิ่งที่ฉันจะทำ
คุณสามารถลองใช้ชุดตัวเลือกต่อไปนี้:
result=np.array(M).flatten()np.array(M).ravel()ถ้าคุณสนใจความเร็ว แต่ถ้าคุณสนใจหน่วยความจำ:
np.asarray(M).ravel()หรือคุณอาจพยายามหลีกเลี่ยงอุณหภูมิบางอย่างด้วย
A = M.view(np.ndarray)
A.shape = -1
อันดับแรกMv = numpy.asarray(M.T)ซึ่งให้อาร์เรย์ 4x1 แต่ 2 มิติแก่คุณ
จากนั้นดำเนินการA = Mv[0,:]ซึ่งจะให้สิ่งที่คุณต้องการ numpy.asarray(M.T)[0,:]คุณสามารถใส่พวกเขาร่วมกันเป็น
นี่จะแปลงเมทริกซ์เป็นอาร์เรย์
A = np.ravel(M).Travel ()และฟังก์ชั่นflatten ()จาก numpy เป็นสองเทคนิคที่ฉันจะลองที่นี่ ฉันจะต้องการที่จะเพิ่มไปโพสต์ที่ทำโดยโจ , Siraj , ฟองและKevad
Ravel:
A = M.ravel()
print A, A.shape
>>> [1 2 3 4] (4,)
เรียบ:
M = np.array([[1], [2], [3], [4]])
A = M.flatten()
print A, A.shape
>>> [1 2 3 4] (4,)
numpy.ravel()เร็วกว่าเนื่องจากเป็นฟังก์ชันระดับไลบรารีซึ่งไม่ได้คัดลอกอาร์เรย์ อย่างไรก็ตามการเปลี่ยนแปลงใด ๆ ในอาเรย์ A จะส่งต่อไปยังอาเรย์ M ตัวเดิมหากคุณใช้งานnumpy.ravel()อยู่
numpy.flatten()numpy.ravel()จะช้ากว่า แต่ถ้าคุณใช้numpy.flatten()เพื่อสร้าง A การเปลี่ยนแปลงใน A จะไม่ถูกนำไปใช้กับอาร์เรย์ Mเดิม
numpy.squeeze()และM.reshape(-1)จะช้ากว่าและnumpy.flatten()numpy.ravel()
%timeit M.ravel()
>>> 1000000 loops, best of 3: 309 ns per loop
%timeit M.flatten()
>>> 1000000 loops, best of 3: 650 ns per loop
%timeit M.reshape(-1)
>>> 1000000 loops, best of 3: 755 ns per loop
%timeit np.squeeze(M)
>>> 1000000 loops, best of 3: 886 ns per loop