Numpy: użyj zmiany kształtu lub newaxis, aby dodać wymiary

Question

Albo ndarray.reshape lub numpy.newaxis może być użyty do dodania nowego wymiaru do tablicy. Obaj wydają się tworzyć pogląd, czy jest jakiś powód lub korzyść, aby użyć jednego zamiast drugiego?

>>> b 
array([ 1., 1., 1., 1.]) 
>>> c = b.reshape((1,4)) 
>>> c *= 2 
>>> c 
array([[ 2., 2., 2., 2.]]) 
>>> c.shape 
(1, 4) 
>>> b 
array([ 2., 2., 2., 2.]) 
>>> d = b[np.newaxis,...] 
>>> d 
array([[ 2., 2., 2., 2.]]) 
>>> d.shape 
(1, 4) 
>>> d *= 2 
>>> b 
array([ 4., 4., 4., 4.]) 
>>> c 
array([[ 4., 4., 4., 4.]]) 
>>> d 
array([[ 4., 4., 4., 4.]]) 
>>> 

`

Answer 1

Nie widzę dowodów dużej różnicy. Możesz wykonać test czasu na bardzo dużych tablicach. Zasadniczo zarówno skrzypce z kształtem i ewentualnie kroki. __array_interface__ to dobry sposób na uzyskanie dostępu do tych informacji. Np

In [94]: b.__array_interface__ 
Out[94]: 
{'data': (162400368, False), 
'descr': [('', '<f8')], 
'shape': (5,), 
'strides': None, 
'typestr': '<f8', 
'version': 3} 

In [95]: b[None,:].__array_interface__ 
Out[95]: 
{'data': (162400368, False), 
'descr': [('', '<f8')], 
'shape': (1, 5), 
'strides': (0, 8), 
'typestr': '<f8', 
'version': 3} 

In [96]: b.reshape(1,5).__array_interface__ 
Out[96]: 
{'data': (162400368, False), 
'descr': [('', '<f8')], 
'shape': (1, 5), 
'strides': None, 
'typestr': '<f8', 
'version': 3} 

utworzą widoku, przy użyciu tego samego buforu data jak oryginał. Ten sam kształt, ale zmiana kształtu nie zmienia wartości strides. reshape pozwala określić order.

I .flags pokazuje różnice w flagi C_CONTIGUOUS.

reshape może być szybszy, ponieważ wprowadza mniej zmian. Ale tak czy inaczej operacja nie powinna znacznie wpłynąć na czas większych obliczeń.

np. dla dużych b

In [123]: timeit np.outer(b.reshape(1,-1),b) 
1 loops, best of 3: 288 ms per loop 
In [124]: timeit np.outer(b[None,:],b) 
1 loops, best of 3: 287 ms per loop 

---

interesująca obserwacja, że: b.reshape(1,4).strides -> (32, 8)

Oto moje przypuszczenie. .__array_interface__ wyświetla atrybut bazowy, a .strides jest bardziej podobny do właściwości (chociaż może być pochowany w kodzie C). Domyślną wartością podstawową jest None, a gdy jest to potrzebne do obliczeń (lub wyświetlania z .strides), oblicza się ją z kształtu i wielkości elementu. 32 to odległość do końca pierwszego rzędu (4x8). np.ones((2,4)).strides ma taką samą (32,8) (i None w __array_interface__.

b[None,:] z drugiej strony przygotowuje tablicę dla nadawania. Kiedy nadawany, istniejące wartości są wielokrotnie wykorzystywane. To właśnie 0 w (0,8) robi.

In [147]: b1=np.broadcast_arrays(b,np.zeros((2,1)))[0] 

In [148]: b1.shape 
Out[148]: (2, 5000) 

In [149]: b1.strides 
Out[149]: (0, 8) 

In [150]: b1.__array_interface__ 
Out[150]: 
{'data': (3023336880L, False), 
'descr': [('', '<f8')], 
'shape': (2, 5), 
'strides': (0, 8), 
'typestr': '<f8', 
'version': 3} 

b1 wyświetla same jak np.ones((2,5)) ale ma tylko 5 przedmiotów.

np.broadcast_arrays jest funkcją w /numpy/lib/stride_tricks.py. wykorzystuje as_strided z tego samego pliku. Te funkcje bezpośrednio grają z atrybutami kształtu i kroku.