用拉链将 2 个 numpy 尺寸重塑为一个尺寸？答案

【问题标题】：Reshaping 2 numpy dimensions into one with zipping?用拉链将 2 个 numpy 尺寸重塑为一个尺寸？
【发布时间】：2018-05-18 10:17:59
【问题描述】：

我尝试搜索此问题，但找不到任何相关内容。

描述问题的最快方法是用一个简单的例子：假设我有一个像这样的 2D numpy arrayl：

[[0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23]]

所以它的形状是 [3,6] 我想把它重塑成一个看起来像这样的一维数组：

[0, 10 ,20 ,1 ,11 ,21 ,2 ,12 ,22 ,3 ,13 ,23 ]

与我们通过 reshape 得到的数组不同：

[ 0,  1,  2,  3, 10, 11, 12, 13, 20, 21, 22, 23]

现在，我遇到的实际问题... 我实际上有一个 3D 数组，我想将它重塑为 2D 数组，我想用上面描述的方法这样做。另一个例子是：

import numpy
a = numpy.array([[[0,1,2],[10,11,12],[20,21,22]],
[[100,101,102],[110,111,112],[120,121,122]],
 [[200,201,202],[210,211,212],[220,221,222]]])
a.shape
a.reshape(3,9)
OUTPUT: array([[  0,   1,   2,  10,  11,  12,  20,  21,  22],
       [100, 101, 102, 110, 111, 112, 120, 121, 122],
       [200, 201, 202, 210, 211, 212, 220, 221, 222]])

再一次，我希望我的输出看起来像这样：

[[  0,  10,  20,   1,  11,  21,   2,  12,  22],
 [100, 110, 120, 101, 111, ..................],
 [...........................................]]

编辑：只是为了谷歌这个问题的人，我添加了一些人可能会搜索的搜索词：

交织维度numpy数组

Zip 尺寸 numpy 数组

Numpy 重塑有序维度

张量重塑维度时间步长

【问题讨论】：

当重塑没有以所需方式对元素进行排序时，标准解决方案是在重塑之前或之后使用transpose 或swapaxes。

标签： python python-3.x numpy pytorch

【解决方案1】：

numpy的文档上有一个简单的答案

np.reshape(a,(3,9), order='F')

【讨论】：

原创！ - 虽然@Divakar's 仍然更笼统。

【解决方案2】：

我们需要用np.swapaxes 或np.transpose 交换最后两个轴，然后重新整形。

对于2D 输入的情况，应该是-

a.swapaxes(-2,-1).ravel()

对于3D输入的情况，只有reshape部分改变-

a.swapaxes(-2,-1).reshape(a.shape[0],-1)

通用方式：使其通用，涵盖所有 n-dim 数组情况 -

a.swapaxes(-2,-1).reshape(a.shape[:-2] + (-1,)).squeeze()

样本运行

二维案例：

In [186]: a
Out[186]: 
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23]])

In [187]: a.swapaxes(-2,-1).reshape(a.shape[:-2] + (-1,)).squeeze()
Out[187]: array([ 0, 10, 20,  1, 11, 21,  2, 12, 22,  3, 13, 23])

3D 案例：

In [189]: a
Out[189]: 
array([[[  0,   1,   2],
        [ 10,  11,  12],
        [ 20,  21,  22]],

       [[100, 101, 102],
        [110, 111, 112],
        [120, 121, 122]],

       [[200, 201, 202],
        [210, 211, 212],
        [220, 221, 222]]])

In [190]: a.swapaxes(-2,-1).reshape(a.shape[:-2] + (-1,)).squeeze()
Out[190]: 
array([[  0,  10,  20,   1,  11,  21,   2,  12,  22],
       [100, 110, 120, 101, 111, 121, 102, 112, 122],
       [200, 210, 220, 201, 211, 221, 202, 212, 222]])

运行时测试-

In [14]: a = np.random.rand(3,3,3)

# @mahdi n75's soln
In [15]: %timeit np.reshape(a,(3,9), order='F')
1000000 loops, best of 3: 1.22 µs per loop

In [16]: %timeit a.swapaxes(-2,-1).reshape(a.shape[0],-1)
1000000 loops, best of 3: 1.01 µs per loop

In [20]: a = np.random.rand(30,30,30)

# @mahdi n75's soln
In [21]: %timeit np.reshape(a,(30,900), order='F')
10000 loops, best of 3: 28.4 µs per loop

In [22]: %timeit a.swapaxes(-2,-1).reshape(a.shape[0],-1)
10000 loops, best of 3: 18.9 µs per loop

In [17]: a = np.random.rand(300,300,300)

# @mahdi n75's soln
In [18]: %timeit np.reshape(a,(300,90000), order='F')
1 loop, best of 3: 333 ms per loop

In [19]: %timeit a.swapaxes(-2,-1).reshape(a.shape[0],-1)
10 loops, best of 3: 52.4 ms per loop

【讨论】：

感谢您的出色回答，非常详尽的示例和解释。我将尝试同时使用这个和另一个答案，看看哪个会更快。我希望这个帖子能帮助像我这样在搜索这个问题时找不到相关帖子的人。
@artembus 添加了计时。

【解决方案3】：

此外，您可以将np.ravel 与order='F' 一起使用。

In [35]: arr
Out[35]: 
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23]])

In [36]: np.ravel(arr, order='F')
Out[36]: array([ 0, 10, 20,  1, 11, 21,  2, 12, 22,  3, 13, 23])

请注意，与np.reshape() 不同，您不必在此处指定任何形状信息。

【讨论】：