有没有办法在不过度使用flatten()
、ravel()
、创建元组以创建每个矩阵等的情况下操作 NumPy 中的矩阵?
我知道它不是 matlab,但编写 40 个字符而不是 4 个字符似乎效率不高。
例如:
A = ones(2,2) # doesn't work
A = ones((2,2)) # works with tuple
v = np.matlib.rand(2)
dot(v, A@v) # doesn't work: shapes are not aligned
vdot(v,A@v) # works
现在我想更新矩阵列:
A[:,0]=A@v # nope! shapes are not aligned
# beautiful solution:
c = v.reshape(2,1)
c = A@c
c = c.flatten()
A[:,0]=c
我假设A
的初始化是来自numpy.ones
的ones
。我们可以有一行字,就像这样——
A[:,[0]] = A@v.T
LHS :A[:,[0]]
保持维数不变为2D
,与A[:,0]
相比,维数会减少,从而允许我们分配A@v.T
,这也是2D
。
RHS:A@v.T
负责前两行代码:
c = v.reshape(2,1)
c = A@c
我们不需要c = c.flatten()
的第三步,因为对于LHS
,我们使用的是2D
视图和前面解释的A[:,[0]]
。
因此,我们剩下修改后的第四步,即解决方案本身被列为本文中的第一个代码。
另一种方式
A[:,0]
将是一个(2,)
数组,而A@v.T
将是一个(2,1)
数组。因此,(A@v.T).T
将是一个(1,2)
阵列,可以针对A[:,0]
广播。所以,这给了我们另一种方式——
A[:,0] = (A@v.T).T
ones
的参数签名为:
ones(shape, dtype=None, order='C')
shape
是一个论点,而不是一个开放式*args
。
ones(2,2)
传递2
作为shape
,2 as
dtype';所以它不起作用。
ones((2,2))
将元组(2,2)
作为shape
传递。
有时编写函数以接受元组或扩展元组,例如foo((1,2))
、foo(*(1,2))
、foo(1,2)
。 但这需要在函数内部进行额外的检查。 尝试编写这样的函数来亲自查看。
此外,tuples
不会增加计算成本。 Python 一直在创建和使用元组;只需在表达式中使用逗号即可创建元组(如果它不是创建列表的一部分)。
只需定义一个函数来获取参数的开放式"列表"即可创建一个元组:
def foo(*args):
print(type(args))
return args
In [634]: foo(1)
<class 'tuple'>
Out[634]: (1,)
In [635]: foo(1,2)
<class 'tuple'>
Out[635]: (1, 2)
In [636]: foo((1,2))
<class 'tuple'>
Out[636]: ((1, 2),)
In [637]: foo(*(1,2))
<class 'tuple'>
Out[637]: (1, 2)
v = np.matlib.rand(2)
对我不起作用。 什么是v
(形状,dtype)?matlab
具有最小的二维;所以我怀疑v
是 2d,甚至可能是np.matrix
类数组。
vdot
说flattens input arguments to 1-D vectors first
好的,通过特殊导入,我得到了matlib
(旧的兼容包):
In [644]: from numpy import matlib
In [645]: matlib.rand(2)
Out[645]: matrix([[ 0.32975512, 0.3491822 ]])
In [646]: _.shape
Out[646]: (1, 2)
让我们试试双点:
In [647]: v=matlib.rand(2)
In [648]: A=np.ones((2,2))
In [649]: A@v
...
ValueError: shapes (2,2) and (1,2) not aligned: 2 (dim 1) != 1 (dim 0)
为什么它对你有用?对于 2D 数组,我们可以直接使用dot
.@
有时充当操作员,但增加了一些自己的怪癖。
(编辑 - 稍后您使用A@c
其中c
是重塑的v
,相当于v.T
(转置)。
In [650]: np.dot(A,v.T) # (2,2) dot (2,1) => (2,1)
Out[650]:
matrix([[ 0.63976046],
[ 0.63976046]])
In [651]: np.dot(v,np.dot(A,v.T)) # (1,2) dot with (2,1) -> (1,1)
Out[651]: matrix([[ 0.40929344]])
想想看,由于v
是np.matrix,这也有效:v * A * v.T
我们不需要使用matlib
来制作随机浮点数的 2D 数组:
In [662]: v1 = np.random.rand(1,2)
In [663]: v1.shape
Out[663]: (1, 2)
In [668]: np.dot(A,v1.T)
Out[668]:
array([[ 1.63412808],
[ 1.63412808]])
In [669]: np.dot(v1,np.dot(A,v1.T))
Out[669]: array([[ 2.67037459]])
或者如果我们跳过 2d,v1
1d
In [670]: v1 = np.random.rand(2)
In [671]: np.dot(A,v1)
Out[671]: array([ 0.8922862, 0.8922862])
In [672]: np.dot(v1, np.dot(A,v1))
Out[672]: 0.79617465579446423
请注意,在最后一种情况下,我们得到一个标量,而不是 (1,1) 数组(或矩阵)。
np.random.rand
是那些接受*args
的函数之一,扩展的"元组"。
在上一个示例中,您必须使用flat
,因为A[:,0]
槽是 (2,)(如果A
np.matrix
它仍然是 (2,1)),而 @ 产生一个 (2,1),必须将其展平以适应 (2,)
In [675]: A@v.T
Out[675]:
matrix([[ 0.63976046],
[ 0.63976046]])
In [676]: A[:,0].shape
Out[676]: (2,)
使用我的 1dv1
,A[:,0] = np.dot(A,v1)
无需进一步重塑即可工作。
通常,matlib
和np.matrix
函数会增加混乱。 创建的目的是让任性的 MATLAB 编码人员更容易。
最简单的计算方法:
In [681]: np.einsum('i,ij,j',v1,A,v1)
Out[681]: 0.77649708535481299
但是对于(1,2)版本,我们可以做到:
In [683]: v2 = v1[None,:]
In [684]: v2
Out[684]: array([[ 0.20473681, 0.68754938]])
In [685]: v2 @ A @ v2.T
Out[685]: array([[ 0.77649709]])