以保持元素索引/位置相同的方式更改 numpy 数组的形状

Question

假设我有以下 numpy 数组

[[[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]]

我希望能够调整此数组的大小（使其沿轴变小或变大），但现有元素具有与调整大小之前相同的索引。因此，如果我将轴 2 的大小减少一个元素，它会如下所示：

[[[1 2]
  [4 5]
  [7 8]]

 [[1 2]
  [4 5]
  [7 8]]

 [[1 2]
  [4 5]
  [7 8]]]

如果我增加轴 1 的大小，它会是这样的：

[[[1 2 3]
  [4 5 6]
  [7 8 9]
  [0 0 0]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]
  [0 0 0]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]
  [0 0 0]]]

如果不自己实现所有循环和所有内容，我该怎么做？

---

作为参考，如果我使用 Numpy resize() 函数，并执行 np.resize(my_array, (3, 3, 2)) 将轴 2 的大小从 3 减小到 2，Numpy 只会更改维度的大小并且不会重新组织数组数据本身，这意味着不保留元素的索引：

[[[1 2]
  [3 4]
  [5 6]]

 [[7 8]
  [9 1]
  [2 3]]

 [[4 5]
  [6 7]
  [8 9]]]

Answer 1

您可以尝试定义一个继承自 np.ndarray 类的类，定义一个额外的绑定函数来执行“调整大小”：

import numpy as np

class Array(np.ndarray):
    def __new__(cls, a, dtype=None, order=None):
        obj = np.asarray(a, dtype, order).view(cls)
        return obj
    
    def __array_wrap__(self, out_arr, context=None):
        return np.ndarray.__array_wrap__(self, out_arr, context)

    def resizing(self, cols):
        return self[..., :cols]

arr = np.tile(np.arange(1, 10), 3).reshape(3, 3, 3)
arr = Array(arr)

现在我们可以这样做了：

print(arr.resizing(1))

输出：

[[[1]
  [4]
  [7]]

 [[1]
  [4]
  [7]]

 [[1]
  [4]
  [7]]]

print(arr.resizing(2))

输出：

[[[1 2]
  [4 5]
  [7 8]]

 [[1 2]
  [4 5]
  [7 8]]

 [[1 2]
  [4 5]
  [7 8]]]

Answer 2

你不想要resize 或reshape

制作一个样本数组：

In [29]: arr = np.arange(1,10).reshape(1,3,3)
In [30]: arr
Out[30]: 
array([[[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]])

要获取 (3,3,3) 数组，请使用 repeat。为了让答案简短，我将坚持使用 (1,3,3)：

In [31]: arr.repeat(3,0)
Out[31]: 
array([[[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]],

       [[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]],

       [[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]])

切片可以“切断”一列

In [33]: arr[:,:,:2]
Out[33]: 
array([[[1, 2],
        [4, 5],
        [7, 8]]])

添加一行，使用concatenate:

In [36]: np.concatenate((arr, np.zeros((1,1,3),int)), axis=1)
Out[36]: 
array([[[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9],
        [0, 0, 0]]])

请记住，numpy 将数组存储为 shape 和一维数据缓冲区。

In [40]: arr.ravel()
Out[40]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

arr 是来自arange 的reshape。重塑保留该一维源。所以它不适合你想要的那种改变。 resize 也适用于该一维源，尽管它可以添加或减去它。考虑使用从原始数组中选择的值创建一个新数组，而不是更改数组。

Answer 3

我会使用np.pad 或np.zeros。

1. 使用 np.pad：

构建示例数组：

>>> import numpy as np               
>>> 
>>> A = np.resize(np.r_[1:10],(3,3,3))
>>> A
array([[[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]],

       [[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]],

       [[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]])

定义函数

>>> def recut_pad(A,shp):
...     return np.pad(A[tuple(map(slice,shp))],[(0,max(0,sn-so)) for sn,so in zip(shp,A.shape)])

试试看：

>>> recut_pad(A,(2,4,5))
array([[[1, 2, 3, 0, 0],
        [4, 5, 6, 0, 0],
        [7, 8, 9, 0, 0],
        [0, 0, 0, 0, 0]],

       [[1, 2, 3, 0, 0],
        [4, 5, 6, 0, 0],
        [7, 8, 9, 0, 0],
        [0, 0, 0, 0, 0]]])
>>> recut_pad(A,(4,2,2))
array([[[1, 2],
        [4, 5]],

       [[1, 2],
        [4, 5]],

       [[1, 2],
        [4, 5]],

       [[0, 0],
        [0, 0]]])

1. 使用np.zeros 和切片：

定义函数：

>>> def recut_zeros(A,shp):                                           
...     out = np.zeros(shp,A.dtype)                              
...     out[tuple(map(slice,A.shape))] = A[tuple(map(slice,shp))]
...     return out

验证：

>>> np.all(recut_pad(A,(1,5,4))==recut_zeros(A,(1,5,4)))
True
>>> np.all(recut_pad(A,(7,2,3))==recut_zeros(A,(7,2,3)))
True