Numpy：使用“重塑”或“新建轴”添加标注

Question

可以使用ndarray.reshape或numpy.newaxis向数组添加新的维度。它们似乎都创造了一种观点，有什么理由或优势使用一种而不是另一种吗？

>>> 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

匿名用户

我看不出有什么不同。您可以在非常大的数组上进行时间测试。基本上都是摆弄形状，可能还有步幅。__array_interface__是访问这些信息的好方法。例如：

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}

两者都使用与原始视图相同的数据缓冲区创建视图。相同的形状，但“重塑”不会更改步幅<代码>重塑用于指定顺序。

和。标志显示C_连续标志中的差异。

重塑可能更快，因为它所做的更改更少。但无论哪种方式，操作都不会对大型计算的时间产生太大影响。

e、 g.对于大型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

有趣的观察结果是：b.重塑（1,4）。跨步-

这是我的猜测<代码>__array\u interface\uuuu正在显示一个底层属性，并且。步幅更像是一个属性（尽管它可能都隐藏在C代码中）。默认的基础值是None，当需要计算时（或显示为.strips），它会根据形状和项目大小进行计算32是到第1行（4x8）末端的距离<代码>np。一（（2,4））。步幅在\uuu数组\uu接口中具有相同的（32,8）（和无）。

b[None，：]另一方面，正在准备阵列进行广播。广播时，重复使用现有值。这就是（0,8）中的0所做的。

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与np.ones（（2,5））显示相同，但只有5项。

np。广播数组是/numpy/lib/stride\u技巧中的一个函数。py。它使用同一文件中的。这些函数直接使用“形状”和“步幅”属性。

Answer 2

使用numpy的一个原因。新建轴overndarray。重塑是指有多个“未知”维度需要操作时。例如，对于以下数组：

>>> arr.shape
(10, 5)

这项工作：

>>> arr[:, np.newaxis, :].shape
(10, 1, 5)

但这并不：

>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension