添加/提取列表元素的有效方法

Question

假设我有以下列表：

rays_all = [np.array(r11, r21, r31, r41),
            np.array(r12, r22, r32, r42),
            np.array(r13, r23, r33, r43),
            np.array(r14, r24, r34, r44)]

所有的r11、r21、r31等都是具有形状（3L，）的数组（把它看作是三维空间中的向量）。你知道吗

如果我想提取np.array(r14, r24, r34, r44)的（4L，3L）数组，我只需要使用rays_all[-1]。如果我想附加一个新的np.array(r15, r25, r35, r45)数组，我只需要使用rays_all.append。你知道吗

现在我以另一种方式排列上述向量（r11、r12等）：

ray1 = [r11, r12, r13, r14]
ray2 = [r21, r22]
ray3 = [r31, r32, r33]
ray4 = [r41, r42, r43, r44]

每个“光线”现在都有自己的长度不同的列表。如果要提取数组结构中每个列表的最后一个元素，即np.array([r14,r22,r33,r44])，最有效的方法是什么？另一方面，如果我想将数组np.array([r15,r23,r34,r45])中的元素添加到列表中

ray1 = [r11, r12, r13, r14, r15]
ray2 = [r21, r22, r23]
ray3 = [r31, r32, r33, r34]
ray4 = [r41, r42, r43, r44, r45]

最有效的方法是什么？我知道我可以用一个循环来实现，但是我猜它比rays_all[-1]和rays_append()慢得多？有什么“矢量化”的方法吗？你知道吗

Answer 1

为了回答您的具体问题，包含四个“ray”列表中最后一个元素的列表通常是[ray1[-1],ray2[-1],ray3[-1],ray4[-1]]。你知道吗

因为这里您主要关心的是执行速度，所以我假设您必须反复执行此操作。您是否考虑过创建一个表示最后一个元素的小数据结构，例如last_element = [r1x,r2x,r3x,r4x]，并在逐步解决问题时维护它的值？每次更改last_element时，都会根据需要向其他列表添加新数据。换句话说，不要重复地从大列表中提取最后一个元素，而是从最后一个元素一步一步地构建大列表。不管怎样，只要你必须建立那些大的列表，那就必须更有效率。它能解决你的问题吗？你知道吗

Answer 2

小心混合数组和列表操作。你知道吗

制作一些3元素数组，并像第一种情况一样将它们组合起来：

In [748]: r1,r2,r3,r4=np.arange(3),np.ones(3),np.zeros(3),np.arange(3)[::-1]
In [749]: x1=np.array((r1,r2))
In [750]: x2=np.array((r3,r4))
In [751]: rays=[x1,x2]
In [752]: rays
Out[752]: 
[array([[ 0.,  1.,  2.],
        [ 1.,  1.,  1.]]), array([[ 0.,  0.,  0.],
        [ 2.,  1.,  0.]])]

rays现在是一个包含两个2d数组（（2,3）形状）的列表。正如您所说的，您可以从该列表中选择一个项目或向其附加另一个数组（您可以向其附加任何内容，而不仅仅是一个类似的数组）。rays的操作是列表操作。你知道吗

也可以创建三维阵列：

In [758]: ray_arr=np.array((x1,x2))
In [759]: ray_arr
Out[759]: 
array([[[ 0.,  1.,  2.],
        [ 1.,  1.,  1.]],

       [[ 0.,  0.,  0.],
        [ 2.,  1.,  0.]]])
In [760]: ray_arr.shape
Out[760]: (2, 2, 3)
In [761]: ray_arr[-1]
Out[761]: 
array([[ 0.,  0.,  0.],
       [ 2.,  1.,  0.]])

您可以从ray_arr中进行选择。但是追加需要通过np.concatenate（可能隐藏在np.append函数中）创建一个新数组。列表中没有“就地”附加。你知道吗

通过索引最后一个维度，有效地选择所有组件数组的最后一个元素。你知道吗

In [762]: ray_arr[:,:,-1]
Out[762]: 
array([[ 2.,  1.],
       [ 0.,  0.]])

要从列表rays中获得相应的值，必须使用列表理解（或其他循环）：

In [765]: [r[:,-1] for r in rays]
Out[765]: [array([ 2.,  1.]), array([ 0.,  0.])]

没有像数组那样的索引快捷方式。你知道吗

有像zip（和itertools中的其他工具）这样的工具可以帮助您遍历列表，甚至重新排列值，例如

In [773]: list(zip(['a','b'],['c','d']))
Out[773]: [('a', 'c'), ('b', 'd')]
In [774]: list(zip(['a','b'],['c','d']))[-1]
Out[774]: ('b', 'd')

以及参差不齐的子列表：

In [782]: list(zip(['a','b','c'],['d']))
Out[782]: [('a', 'd')]
In [783]: list(itertools.zip_longest(['a','b','c'],['d']))
Out[783]: [('a', 'd'), ('b', None), ('c', None)]

但我看不出这些对从光线向量中提取值有什么帮助。你知道吗

---

值得探索的是，将基向量收集到一个2d数组中，并将索引用于各种用途的额外组

In [867]: allrays=np.array([r1,r2,r3,r4])
In [868]: allrays
Out[868]: 
array([[ 0.,  1.,  2.],
       [ 1.,  1.,  1.],
       [ 0.,  0.,  0.],
       [ 2.,  1.,  0.]])

所有射线的“z”坐标

In [869]: allrays[:,-1]
Out[869]: array([ 2.,  1.,  0.,  0.])

光线的一个子集（因为它是一个切片，所以它是一个视图）

In [871]: allrays[0:2,:]
Out[871]: 
array([[ 0.,  1.,  2.],
       [ 1.,  1.,  1.]])

另一个子集：

In [872]: allrays[2:,:]
Out[872]: 
array([[ 0.,  0.,  0.],
       [ 2.,  1.,  0.]])

3项子集，用列表选择-这是一个副本

In [873]: allrays[[0,1,2],:]
Out[873]: 
array([[ 0.,  1.,  2.],
       [ 1.,  1.,  1.],
       [ 0.,  0.,  0.]])
In [874]: allrays[[3],:]
Out[874]: array([[ 2.,  1.,  0.]])

通过索引获得的几个子集：

In [875]: ind=[[0,1,2],[3]]
In [876]: [allrays[i] for i in ind]
Out[876]: 
[array([[ 0.,  1.,  2.],
        [ 1.,  1.,  1.],
        [ 0.,  0.,  0.]]), 
 array([[ 2.,  1.,  0.]])]

如果组是连续的，则可以使用split：

In [884]: np.split(allrays,[3])
Out[884]: 
[array([[ 0.,  1.,  2.],
        [ 1.,  1.,  1.],
        [ 0.,  0.,  0.]]), array([[ 2.,  1.,  0.]])]

子阵列是视图（使用.__array_interface__属性检查）。你知道吗

实际上，它只是将不完整的列表问题提升了一个层次。不过，还有更多的灵活性。您可以构造其他索引子列表，例如

In [877]: ind1=[i[-1] for i in ind]   # last of all groups
In [878]: ind1
Out[878]: [2, 3]
In [879]: ind2=[i[0] for i in ind]   # first of all groups
In [880]: ind2
Out[880]: [0, 3]

您可以将一些新值连接到allrays。然后您可能需要重建索引列表。但我怀疑这类建筑是一次建成，而通道是重复的。你知道吗

---

我想到了一个关于从plt.pcolormesh（和plt.pcolor）产生的img访问值的问题。一种是将图像作为二维网格上的曲面进行维护，另一种则更一般，只是四边形的集合，每个四边形都有一个颜色和路径来定义其边界。你知道吗