从列表中重塑numpy数组

Question

我对narray的形状有以下问题:

out.shape = (20,)
reference.shape = (20,0)
norm = [out[i] / np.sum(out[i]) for i in range(len(out))]
# norm is a list now so I convert it to ndarray:
norm_array = np.array((norm))
norm_array.shape = (20,30)
# error: operands could not be broadcast together with shapes (20,30) (20,) 
diff = np.fabs(norm_array - reference)

我如何将norm_array的形状从(20,30)更改为(20，)或引用(20,30)，以便我可以减去它们?

编辑:有人可以解释我，为什么他们有不同的形状，如果我可以访问两个单一元素与norm_array[0][0]和引用[0][0]?

Answer 1

我不知道你到底想做什么，但这里有一些关于numpy数组的信息。

1-d numpy数组是一个形状为单值元组的行向量:

>>> np.array([1,2,3]).shape
(3,) 

您可以通过传递嵌套列表来创建多维数组。每个子列表是一个长度为1的1-d行向量，有3个子列表。

>>> np.array([[1],[2],[3]]).shape
(3,1)

这里是奇怪的部分。您可以创建相同的数组，但将列表保留为空。最后得到3个长度为0的行向量

>>> np.array([[],[],[]]).shape
(3,0)

这就是你的reference数组，一个有结构但没有值的数组。这让我回到了我最初的观点:

不能减去空数组

Answer 2

如果我用你描述的形状创建两个数组，我会得到一个错误

In [1856]: norm_array=np.ones((20,30))
In [1857]: reference=np.ones((20,0))
In [1858]: norm_array-reference
...
ValueError: operands could not be broadcast together with shapes (20,30) (20,0) 

但是它和你的不一样。但是如果我改变reference的形状，错误信息就会匹配。

In [1859]: reference=np.ones((20,))
In [1860]: norm_array-reference
 ...
ValueError: operands could not be broadcast together with shapes (20,30) (20,) 

所以你的(20,0)是错误的。我不知道你是不是打错了什么。

但如果我让reference 2d在最后一个维度上为1，广播工作，产生与(20,30)形状匹配的差值:

In [1861]: reference=np.ones((20,1))
In [1862]: norm_array-reference

如果是reference = np.zeros((20,))，那么我可以使用reference[:,None]来添加最后一个维度。

如果reference是(20，)，你不能做reference[0][0]。reference[0][0]只适用于最后一个dim值至少为1的2d数组，reference[0,0]是对2d数组中单个元素进行索引的首选方法。

到目前为止，这是正常的数组尺寸和广播;你可以通过使用来学习。

===============

我对out的形状感到困惑。如果它是(20，)，norm_array如何最终成为(20,30)。out必须由20个数组或列表组成，每个数组或列表有30个元素。

如果out是2d数组，我们可以不迭代地归一化

In [1869]: out=np.arange(12).reshape(3,4)

与列表推导式:

In [1872]: [out[i]/np.sum(out[i]) for i in range(out.shape[0])]
Out[1872]: 
[array([ 0.        ,  0.16666667,  0.33333333,  0.5       ]),
 array([ 0.18181818,  0.22727273,  0.27272727,  0.31818182]),
 array([ 0.21052632,  0.23684211,  0.26315789,  0.28947368])]
In [1873]: np.array(_)   # and to array
Out[1873]: 
array([[ 0.        ,  0.16666667,  0.33333333,  0.5       ],
       [ 0.18181818,  0.22727273,  0.27272727,  0.31818182],
       [ 0.21052632,  0.23684211,  0.26315789,  0.28947368]])

取行和，并告诉它保持为2d以便于进一步使用

In [1876]: out.sum(axis=1,keepdims=True)
Out[1876]: 
array([[ 6],
       [22],
       [38]])

现在分

In [1877]: out/out.sum(axis=1,keepdims=True)
Out[1877]: 
array([[ 0.        ,  0.16666667,  0.33333333,  0.5       ],
       [ 0.18181818,  0.22727273,  0.27272727,  0.31818182],
       [ 0.21052632,  0.23684211,  0.26315789,  0.28947368]])