Python NumPy 对象数组，其中每个对象都是不同大小的 NumPy 数组

Question

我想创建一个 numpy 对象数组，其中对象是其他 numpy 数组具有不同或精确的尺寸。目的是在处理嵌套数组可能具有不同大小的数组时进行高级索引。

如果所有嵌套数组的维度不同，则一切正常：

a = np.array([np.array([0, 1], dtype=int), np.array([0, 1, 2], dtype=int)], dtype=object)
print(a[0].dtype, a[1].dtype)

在这种情况下，所有嵌套数组的 dtype 都等于 'int64'。

但是当嵌套数组具有相同的维度时，嵌套数组也成为对象数组：

a = np.array([np.array([0, 1, 2], dtype=int), np.array([3, 4, 5], dtype=int)], dtype=object)
print(a[0].dtype, a[1].dtype)

在这种情况下，所有嵌套数组的 dtype 都等于 'object'。

列表中的单个数组转换为对象数组的情况相同：

a = np.array([np.array([0, 1, 2], dtype=int)], dtype=object)
print(a[0].dtype)

问题是：创建对象数组的正确方法是什么，其中每个对象都是具有不同维度的 NumPy 数组以具有 dtype=int 的嵌套数组？

Answer 1

您的第一个混合子数组大小的案例：

In [477]: a = np.array([np.array([0, 1], dtype=int), np.array([0, 1, 2], dtype=int)], dtype=
     ...: object)
     ...: 
In [478]: a
Out[478]: array([array([0, 1]), array([0, 1, 2])], dtype=object)

在大小相同的情况下，numpy 可以生成最高维数组 - 2d：

In [479]: a = np.array([np.array([0, 1], dtype=int), np.array([1, 2], dtype=int)], dtype=obj
     ...: ect)
     ...: 
In [480]: a
Out[480]: 
array([[0, 1],
       [1, 2]], dtype=object)

列表元素已经是数组这一事实并没有什么不同。

创建和分配解决方案：

In [481]: a = np.empty(2, object)
In [482]: a
Out[482]: array([None, None], dtype=object)
In [483]: a[:]=[np.array([0, 1], dtype=int), np.array([1, 2], dtype=int)]
In [484]: a
Out[484]: array([array([0, 1]), array([1, 2])], dtype=object)

您还可以添加一个额外的元素，例如。开头是 None，然后将其切掉。

在任何情况下，诀窍都是避开np.array 对尽可能多维数组的偏好。

Answer 2

老实说，在这种情况下，我认为您最好使用字典。字典查找数组的速度非常快，因为它们是一个哈希映射。

import random

import numpy as np

my_sets = {}
for i in range(0, 10):
    my_sets[i] = (np.random.random(random.randint(1, 10)))

print(my_sets)

该代码应该为您提供不同大小的 numpy 数组，但可以很容易地在字典中查找它们 - 至少我在工作中是这样做的

Answer 3

import numpy as np
a = np.array([np.array([0, 1, 2], dtype=int), np.array([3, 4], dtype=int)], dtype=object)
print(a[0].dtype, a[1].dtype)