Question

np.c_的输出在其参数是列表或元组时有所不同。考虑以下三行的输出

np.c_[[1,2]]
np.c_[(1,2)]
np.c_[(1,2),]

使用list参数，np.c_按预期返回列数组。当参数是元组（第二行）时，它返回一个2D行。在元组（第三行）之后添加逗号将返回与第一次调用相同的列数组。

有人可以解释这种行为背后的理由吗？

Answer 1

np.c_有两个常见用例：

np.c_可以接受一系列1D数组：

In [98]: np.c_[[1,2],[3,4]]
Out[98]: 
array([[1, 3],
       [2, 4]])

或，np.c_可以接受一系列2D数组：

In [96]: np.c_[[[1,2],[3,4]], [[5,6],[7,8]]]
Out[96]: 
array([[1, 2, 5, 6],
       [3, 4, 7, 8]])

所以np.c_可以传递一维数组或2D数组。但这提出了一个问题：如果输入是单个2D数组（例如[[1,2]，[3,4]]）或一维数组序列，np.c_应该如何识别（{1}}例如[1,2]，[3,4]）？

开发人员做出了一个设计决策：如果np.c_传递了一个元组，那么该参数将被视为一系列独立的数组。如果它传递了非元组（例如列表），那么该对象将被视为单个数组。

因此，np.c_[[1,2], [3,4]]（相当于np.c_[([1,2], [3,4])]）会将([1,2], [3,4])视为两个独立的1D数组。

In [99]: np.c_[[1,2], [3,4]]
Out[99]: 
array([[1, 3],
       [2, 4]])

相比之下，np.c_[[[1,2], [3,4]]]会将[[1,2], [3,4]]视为单个2D数组。

In [100]: np.c_[[[1,2], [3,4]]]
Out[100]: 
array([[1, 2],
       [3, 4]])

因此，对于您发布的示例：

np.c_[[1,2]]将[1,2]视为单个1D数组，因此它将[1,2]转换为2D数组的列：

In [101]: np.c_[[1,2]]
Out[101]: 
array([[1],
       [2]])

np.c_[(1,2)]将(1,2)视为两个独立的数组，因此它将每个值放入其自己的列中：

In [102]: np.c_[(1,2)]
Out[102]: array([[1, 2]])

np.c_[(1,2),]将元组(1,2),（相当于((1,2),)）视为一个类似数组的序列，以便将类似数组视为列：

In [103]: np.c_[(1,2),]
Out[103]: 
array([[1],
       [2]])

PS。也许比大多数软件包更多，NumPy的历史记录为treating lists and tuples differently。该链接讨论了传递给np.array时列表和元组如何被区别对待。

Answer 2

处理参数的第一个级别来自Python解释器，它将[...]转换为对__getitem__的调用：

In [442]: class Foo():
     ...:     def __getitem__(self,args):
     ...:         print(args)
     ...:        
In [443]: Foo()['str']
str
In [444]: Foo()[[1,2]]
[1, 2]
In [445]: Foo()[[1,2],]
([1, 2],)
In [446]: Foo()[(1,2)]
(1, 2)
In [447]: Foo()[(1,2),]
((1, 2),)

np.c_是np.lib.index_tricks.AxisConcatenator的一个实例。这是__getitem__

    # handle matrix builder syntax
    if isinstance(key, str):
        ....
        mymat = matrixlib.bmat(...)
        return mymat

    if not isinstance(key, tuple):
        key = (key,)

     ....
    for k, item in enumerate(key):
        ....

除了np.bmat兼容字符串之外，它将所有输入转换为元组，然后迭代元素。

包含[1,2]的任何变体都与([1,2],)相同，即单个元素元组。 (1,2)是两个将被连接起来的元素。 ([1,2],[3,4])也是如此。

请注意，numpy索引还可以区分列表和元组（尽管存在一些不一致）。

In [455]: x=np.arange(24).reshape(2,3,4)
In [456]: x[0,1]               # tuple - index for each dim
Out[456]: array([4, 5, 6, 7])
In [457]: x[(0,1)]             # same tuple
Out[457]: array([4, 5, 6, 7])
In [458]: x[[0,1]]             # list - index for one dim
Out[458]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
In [459]: x[([0,1],)]          # same
     ....

np.c_与list和tuple参数的行为

2 个答案: