Question

我搜索了stackoverflow但找不到这个特定问题的答案。对不起，如果这是一个天真的问题，我是python的新手。

我有几个2d数组（或列表），我想在python中读入3d数组（列表）。在Matlab中，我可以简单地做到

 for i=1:N
    # read 2d array "a"
    newarray(:,:,i)=a(:,:) 
 end

所以newarray是一个带有＆＃34; a＆＃34;的3d数组。是沿着第三维排列的第二片。

在python中有一种简单的方法吗？

编辑：我目前正在尝试以下方法：

 for file in files:     
   img=mpimg.imread(file)
   newarray=np.array(0.289*cropimg[:,:,0]+0.5870*cropimg[:,:,1]+0.1140*cropimg[:,:,2])
   i=i+1

我尝试了newarray[:,:,i]并且它给了我一个错误

NameError: name 'newarray' is not defined

好像我必须将newarray定义为numpy数组？不确定。

谢谢！

Answer 1

如果您熟悉MATLAB，将其转换为使用NumPy非常简单。

假设你有几个阵列

a = np.eye(3)
b = np.arange(9).reshape((3, 3))

print(a)
# [[ 1.  0.  0.]
#  [ 0.  1.  0.]
#  [ 0.  0.  1.]]

print(b)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]

如果您只是想将它们放入另一个维度，请将它们传递给迭代（例如列表）中的数组构造函数，如下所示：

x = np.array([a, b])
print(x)
# [[[ 1.  0.  0.]
#   [ 0.  1.  0.]
#   [ 0.  0.  1.]]
# 
#  [[ 0.  1.  2.]
#   [ 3.  4.  5.]
#   [ 6.  7.  8.]]]

Numpy非常聪明，可以识别出阵列大小相同，并创建了一个新的维度来保存它们。

print(x.shape)
# (2, 3, 3)

你可以遍历它，但是如果你想在某些维度上对它应用相同的操作，我会强烈建议你使用广播以便NumPy可以对操作进行矢量化并且它运行一个整体很快。

例如，在一个维度上，让我们将一个切片乘以2，将另一个切片乘以3.（如果它不是纯标量，我们需要将数组重塑为相同数量的维度进行广播，然后根据每个需要调整大小匹配数组或1）。 请注意，我正在沿着第0轴工作，您的图像可能不同。我没有方便的图像来装载玩具

y = x * np.array([2, 3]).reshape((2, 1, 1))
print(y)
#[[[  2.   0.   0.]
#  [  0.   2.   0.]
#  [  0.   0.   2.]]
#
# [[  0.   3.   6.]
#  [  9.  12.  15.]
#  [ 18.  21.  24.]]]

然后我们可以添加它们

z = np.sum(y, axis=0)
print(z)
#[[  2.   3.   6.]
# [  9.  14.  15.]
# [ 18.  21.  26.]]

Answer 2

如果您正在使用NumPy数组，则几乎可以直接从Matlab进行翻译：

for i in range(1, N+1):
    # read 2d array "a"
    newarray[:, :, i] = a[:, :]

当然，您可能希望使用range(N)，因为数组使用基于0的索引。显然，您需要以某种方式预先创建newarray，就像您在Matlab中必须这样，但您也可以直接翻译它。（如果您不确定如何，请查看zeros功能。）

如果您正在使用列表，则无法直接执行此操作 - 但您可能无论如何也不想这样做。更好的解决方案是动态建立2D列表列表：

newarray = []
for i in range(N):
    # read 2d list of lists "a"
    newarray.append(a)

或者更简单：

newarray = [read_next_2d_list_of_lists() for i in range(N)]

或者，更好的是，让read函数成为生成器，然后只需：

newarray = list(read_next_2d_list_of_lists())

如果您想转置轴的顺序，可以使用zip功能。

在python中将2d数组读入3d数组

2 个答案: