我在使用 NumPy 时遇到的一个反复出现的错误是尝试索引数组失败,因为数组的一个维度是单例,因此该维度被清除并且无法被索引。这在设计用于对任意大小的数组进行操作的函数中尤其成问题。我正在寻找避免此错误的最便宜、最通用的方法。
举个例子:
import numpy as np
f = (lambda t, u, i=0: t[:,i]*u[::-1])
a = np.eye(3)
b = np.array([1,2,3])
f(a,b)
f(a[:,0],b[1])
第一个调用按预期工作。第二次调用以两种方式失败:1) t 不能被 [:,0] 索引,因为它的形状是 (3,),以及 2) u 根本不能被索引,因为它是一个标量。
以下是我遇到的修复方法:
1) 在 f 中使用 以确保所有参数都具有所需的维度。这排除了 lambda 的使用,并且可以采用我不想需要的几行。 np.atleast_1d 和 np.atleast_2d 等(可能带有条件以确保尺寸顺序正确)
2) 不要在上面写 f(a[:,0],b[1]),而是使用 f(a[:,[0]],b[[1 ]])。这很好,但我总是要记住放入额外的括号,如果索引存储在变量中,你可能不知道是否应该放入额外的括号。例如:
idx = 1
f(a[:,[0]],b[[idx]])
idx = [2,0,1]
f(a[:,[0]],b[idx])
在这种情况下,您似乎必须先在 idx 上调用 np.atleast_1d,这可能比将 np.atleast_1d 在函数中。
3) 在某些情况下,我可以不放入索引而逃脱。例如:
f = lambda t, u: t[0]*u
f(a,b)
f(a[:,0],b[0])
这是可行的,并且在适用时显然是最巧妙的解决方案。但这并不是在所有情况下都有帮助(特别是,您的尺寸必须以正确的顺序开始)。
那么,还有比上述更好的方法吗?
请您参考如下方法:
有很多方法可以避免这种行为。
首先,每当您使用 slice 而不是整数索引到 np.ndarray 的维度时,输出的维度数将与输入的:
import numpy as np
x = np.arange(12).reshape(3, 4)
print x[:, 0].shape # integer indexing
# (3,)
print x[:, 0:1].shape # slice
# (3, 1)
这是我首选的避免问题的方法,因为它很容易从单元素选择推广到多元素选择(例如 x[:, i:i+1] vs x[:, i:i+n]).
正如您已经提到的,您还可以通过使用任何整数序列索引到维度来避免维度损失:
print x[:, [0]].shape # list
# (3, 1)
print x[:, (0,)].shape # tuple
# (3, 1)
print x[:, np.array((0,))].shape # array
# (3, 1)
如果您选择坚持使用整数索引,您始终可以使用 np.newaxis(或等效地,None)插入一个新的单例维度:
print x[:, 0][:, np.newaxis]
# (3, 1)
print x[:, 0][:, None]
# (3, 1)
否则您可以手动将其重新整形为正确的大小(此处使用 -1 自动推断第一个维度的大小):
print x[:, 0].reshape(-1, 1).shape
# (3, 1)
最后,您可以使用 np.matrix 而不是 np.ndarray。 np.matrix 的行为更像一个 MATLAB 矩阵,只要您使用整数进行索引,就会留下单一维度:
y = np.matrix(x)
print y[:, 0].shape
# (3, 1)
但是,您应该知道有一个 number of other important differences在 np.matrix 和 np.ndarray 之间,例如 * 运算符对数组执行逐元素乘法,但对矩阵执行矩阵乘法。在大多数情况下,最好坚持使用 np.ndarrays。
