Question

我是python的新手，所以我习惯使用array[i][j]代替array[i,j]。今天我按照教程创建的脚本在我发现我正在使用

之前没有工作

numpy.dot(P[0][:], Q[:][0])

而不是

numpy.dot(P[0,:], Q[:,0])

由于某种原因，第二个工作，而第一个给我一个形状错误。矩阵维度为MxK和KxN。

我尝试同时打印P[0][:]和P[0,:]，运行id()，type()和P[0][:].shape，但无法找到理由。为什么这些事情会有所不同？

我在Jupyter Notebook 4.3.0和Python 2.7.13上运行它。

Answer 1

在处理numpy数组时，您应该几乎总是使用[i, j]而不是[i][j]。在许多情况下，没有真正的区别，但在你的情况下有。

假设你有一个这样的数组：

>>> import numpy as np
>>> arr = np.arange(16).reshape(4, 4)
>>> arr 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

当您使用与新视图等效的[:]时，如果您执行[1, :]或[:, 1]，则表示获取第二行（列）。粗略地说，它意味着：索引您拥有数字的维度，并将维度保留在仅:的位置：

>>> arr[:]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

>>> arr[:, 1]  #  get the second column
array([ 1,  5,  9, 13])
>>> arr[:][1]  # get a new view of the array, then get the second row
array([4, 5, 6, 7])

这是因为[1]被解释为[1, ...]（...是省略号对象），而对于2D，它等同于[1, :]。

这也是行索引仍然有效的原因（因为它是第一个维度）：

>>> arr[1, :]  # get the second row
array([4, 5, 6, 7])
>>> arr[1][:]  # get the second row, then get a new view of that row
array([4, 5, 6, 7])

Answer 2

x[:]生成列表的浅表副本，但在x是数组时几乎无用。它创建一个新的view - 相同的数据和形状，但不同的数组对象。如果这令人困惑，您需要查看一些有关视图和副本的基本numpy文档。

在A[0,:]或A[:, 1:5]等二维数组中，:是一种占位符，用于标识将作为整体使用的维度。 :由Python解释器转换为slice(None,None,None)，而start:stop:step生成slice(start, stop, step)。

A[0,:]，可以缩短为A[0]，意味着选择A的第一行'及其所有'列'。该操作推广到更高维度，其中行和列等名称具有不太直观的含义。

A[:,0]表示选择第0列和所有行。

A[0][:]扩展为A[0,:][:]，表示将[:]应用于A[0,:]的结果，实际上，只需查看第1行（即1d）数组）。

A[:][0]与A[:,0]不同;它与A[0,:]相同。 A[:]与A[:,:]整个2d数组的视图相同。

如果有帮助，我可以将索引表达式扩展为对A.__getitem__(...)的调用。每组[]都是一个单独的扩展。

在表达式A[:] = ...中，[:]很重要，但这是另一个主题。

这两个表达式是等价的：

numpy.dot(P[0][:], Q[:][0])
numpy.dot(P[0,:], Q[0,:])

array [i] [：]和array [i，：]之间的区别

2 个答案: