Numpy - krojenie wektora z 2 wierszy lub kolumn z tablicy

Question

Próbuję znaleźć zgrabny mały trik do krojenia wiersza/kolumny z tablicy 2d i uzyskania tablicy (col_size x 1) lub (1 x row_size).

Czy jest łatwiejszy sposób niż użycie numpy.reshape() po każdym krojeniu?

Cheers, Stephan

Answer 1

można pokroić i włożyć nową oś w jednej operacji. Przykładowo, poniżej znajduje się w tablicy 2D:

>>> a = np.arange(1, 7).reshape(2, 3) 
>>> a 
array([[1, 2, 3], 
     [4, 5, 6]]) 

celu kawałek z jednego kolumna (powrót tablicy kształtu (2, 1)) plasterka None w trzecim wymiarze:

>>> a[:, 1, None] 
array([[2], 
     [5]]) 

kroić OUT pojedynczy wiersz (zwracająca tablica kształtu (1, 3)), plasterek z None jako drugi wymiar:

>>> a[0, None, :] 
array([[1, 2, 3]]) 

Answer 2

Bądź indeks kawałek, lista lub tablica

X[[0],:] 
    X[0:1,4] 

Ale nie ma nic złego w reshape innych niż fakt, że wymaga pisanie. To nie jest powolne. [None,:] to dobra krótka ręka.

Zastosowanie wskaźnika listy może być najkrótszej, ale nie wytwarzać kopię (plus lub minus a) i wolniej

Na tablicy (100,100) całkowitą:

In [487]: timeit x[[50],:] 
100000 loops, best of 3: 10.3 µs per loop # slowest 

In [488]: timeit x[50:51,:] 
100000 loops, best of 3: 2.24 µs per loop # slice indexing is fast 

In [489]: timeit x[50,:].reshape(1,-1) 
100000 loops, best of 3: 3.29 µs per loop # minimal time penalty 

In [490]: timeit x[50,:][None,:] 
100000 loops, best of 3: 3.55 µs per loop 

In [543]: timeit x[None,50,:]   # **best** 
1000000 loops, best of 3: 1.76 µs per loop 

jeden test do kopiowania jest porównanie wskaźnika bufora danych z oryginałem.

In [492]: x.__array_interface__['data'] 
Out[492]: (175920456, False) 
In [493]: x[50,:].__array_interface__['data'] 
Out[493]: (175940456, False) 
In [494]: x[[50],:].__array_interface__['data'] 
Out[494]: (175871672, False) # different pointer 
In [495]: x[50:51,:].__array_interface__['data'] 
Out[495]: (175940456, False) 
In [496]: x[50,:][None,:].__array_interface__['data'] 
Out[496]: (175940456, False) 

Answer 3

Co powiesz na ten miły i łatwy sposób?

In [73]: arr = (np.arange(5, 25)).reshape(5, 4) 

In [74]: arr 
Out[74]: 
array([[ 5, 6, 7, 8], 
     [ 9, 10, 11, 12], 
     [13, 14, 15, 16], 
     [17, 18, 19, 20], 
     [21, 22, 23, 24]]) 

# extract column 1 as a column vector 
In [79]: col1 = arr[:, [0]] 
In [80]: col1.shape 
Out[80]: (5, 1) 

In [81]: col1 
Out[81]: 
array([[ 5], 
     [ 9], 
     [13], 
     [17], 
     [21]]) 


# extract row 1 as a row vector 
In [82]: row1 = arr[[0], :] 

In [83]: row1.shape 
Out[83]: (1, 4) 

In [84]: row1 
Out[84]: array([[5, 6, 7, 8]])