In [48]: x=np.arange(10)
In [49]: x.shape
Out[49]: (10,)
In [50]: x.strides
Out[50]: (4,)
In [51]: x1=x.reshape(10,1)
In [52]: x1.shape
Out[52]: (10, 1)
In [53]: x1.strides
Out[53]: (4, 4)
In [54]: x2=np.concatenate((x1,x1),axis=1)
In [55]: x2.shape
Out[55]: (10, 2)
In [56]: x2.strides
Out[56]: (8, 4)
其中大部分是语法问题。这个元组根本不是元组(只是一个冗余)。^但是{}是。
(x,)和(x,1)之间的差别更大。你可以看看前面的问题的例子,比如this。引用它的示例,这是一个1D numpy数组:
但这个是二维的:
Reshape does not make a copy unless it needs to所以它应该是安全的。
一个
ndarray
的数据被存储为一个1d缓冲区——只是一个内存块。数组的多维特性由shape
和strides
属性以及使用它们的代码生成。开发人员选择允许任意数量的维度,因此形状和跨距表示为任意长度的元组,包括0和1。
相反,MATLAB是围绕FORTRAN程序构建的,这些程序是为矩阵运算而开发的。在早期,MATLAB中的一切都是二维矩阵。大约在2000年(v3.5)它被普遍允许超过2d,但绝不少于2d。
numpy
np.matrix
仍然遵循旧的2d MATLAB约束。如果你来自一个MATLAB世界,你就习惯了这两个维度,以及行向量和列向量之间的区别。但在数学和物理中,不受MATLAB影响的向量是一维数组。Python列表本质上是1d,就像
c
数组一样。要获得2d,必须有指向数组的列表或指针数组的列表,使用x[1][2]
索引样式。看看这个数组及其变体的形状和步幅:
MATLAB在末尾添加了新的维度。它像
order='F'
数组一样对其值进行排序,并且可以很容易地将(n,1)矩阵更改为(n,1,1)。numpy
是默认的order='C'
,并且很容易在开始时扩展数组维度。在利用广播时,了解这一点至关重要。因此
x1 + x
是a(10,1)+(10,)=>;(10,1)+(1,10)=>;(10,10)因为广播一个
(n,)
数组比一个(n,1)
数组更像一个(1,n)
数组。一维数组更像是行矩阵而不是列矩阵。带
concatenate
的点是它需要匹配的维度。它不使用广播来调整尺寸。有很多stack
函数可以缓解这个约束,但是它们是通过在使用concatenate
之前调整维度来实现的。看看他们的代码(可读的Python)。因此,一个熟练的numpy用户需要熟悉这个广义的
shape
元组,包括空的()
(0d数组)、(n,)
1d以及更高的元组。对于更高级的东西,理解跨步也有帮助(比如看跨步和转置的形状)。相关问题 更多 >
编程相关推荐