আমি একটি ন্যাকপি 2 ডি অ্যারেটিকে তৃতীয় মাত্রায় অনুলিপি করতে চাই। উদাহরণস্বরূপ, (2D) নাম্বার অ্যারে দেওয়া:
import numpy as np
arr = np.array([[1,2],[1,2]])
# arr.shape = (2, 2)
এটিকে একটি নতুন মাত্রায় এন এর মতো অনুলিপিগুলির সাথে একটি 3D ম্যাট্রিক্সে রূপান্তর করুন। arrএন = 3 দিয়ে অভিনয় করে আউটপুটটি হওয়া উচিত:
new_arr = np.array([[[1,2],[1,2]],[[1,2],[1,2]],[[1,2],[1,2]]])
# new_arr.shape = (3, 2, 2)
উত্তর:
সম্ভবত সবচেয়ে পরিষ্কার উপায়টি হ'ল np.repeat:
a = np.array([[1, 2], [1, 2]])
print(a.shape)
# (2, 2)
# indexing with np.newaxis inserts a new 3rd dimension, which we then repeat the
# array along, (you can achieve the same effect by indexing with None, see below)
b = np.repeat(a[:, :, np.newaxis], 3, axis=2)
print(b.shape)
# (2, 2, 3)
print(b[:, :, 0])
# [[1 2]
# [1 2]]
print(b[:, :, 1])
# [[1 2]
# [1 2]]
print(b[:, :, 2])
# [[1 2]
# [1 2]]
এটি বলার পরে, আপনি প্রায়শই সম্প্রচার ব্যবহার করে আপনার অ্যারেগুলি পুরোপুরি পুনরাবৃত্তি করা এড়াতে পারেন । উদাহরণস্বরূপ, ধরা যাক আমি একটি (3,)ভেক্টর যুক্ত করতে চেয়েছিলাম :
c = np.array([1, 2, 3])
to a। আমি aতৃতীয় মাত্রায় 3 বারের বিষয়বস্তু অনুলিপি করতে পারি , তারপরে cপ্রথম এবং দ্বিতীয় উভয় মাত্রায় দু'বার কন্টেন্টটি অনুলিপি করতে পারি , যাতে আমার উভয় অ্যারে হয় (2, 2, 3), তারপরে তাদের যোগফল গণনা করুন। তবে এটি করা খুব সহজ এবং দ্রুত:
d = a[..., None] + c[None, None, :]
এখানে, a[..., None]আকৃতি আছে (2, 2, 1)এবং c[None, None, :]আকৃতি আছে (1, 1, 3)*। আমি যখন যোগফলটি গণনা করি তখন ফলাফলটি 1 মাপের আকারের সাথে 'সম্প্রচারিত' হয়ে যায়, যা আমাকে আকৃতির ফলাফল দেয় (2, 2, 3):
print(d.shape)
# (2, 2, 3)
print(d[..., 0]) # a + c[0]
# [[2 3]
# [2 3]]
print(d[..., 1]) # a + c[1]
# [[3 4]
# [3 4]]
print(d[..., 2]) # a + c[2]
# [[4 5]
# [4 5]]
সম্প্রচার হ'ল একটি শক্তিশালী কৌশল কারণ এটি স্মরণে আপনার ইনপুট অ্যারের বারবার অনুলিপি তৈরিতে জড়িত অতিরিক্ত ওভারহেডকে এড়িয়ে চলে।
* যদিও আমি সেগুলি স্পষ্টতার জন্য অন্তর্ভুক্ত করেছি, তবে Noneসূচকগুলি cআসলে প্রয়োজনীয় নয় - আপনি এটি করতেও পারেন a[..., None] + c, অর্থাত্ (2, 2, 1)অ্যারের বিরুদ্ধে অ্যারে সম্প্রচার করে (3,)। এটি কারণ যদি অ্যারেগুলির মধ্যে একটির অপরটির চেয়ে কম মাত্রা থাকে তবে কেবলমাত্র দুটি অ্যারেটির অনুবর্তনীয় মাত্রাগুলি সামঞ্জস্যপূর্ণ হওয়া দরকার। আরও জটিল উদাহরণ দিতে:
a = np.ones((6, 1, 4, 3, 1)) # 6 x 1 x 4 x 3 x 1
b = np.ones((5, 1, 3, 2)) # 5 x 1 x 3 x 2
result = a + b # 6 x 5 x 4 x 3 x 2
np.newaxisহ'লNone
অন্য উপায় ব্যবহার করা হয় numpy.dstack। মনে করুন আপনি ম্যাট্রিক্স a num_repeatsবার পুনরাবৃত্তি করতে চান :
import numpy as np
b = np.dstack([a]*num_repeats)
কৌশলটি হ'ল ম্যাট্রিক্সকে aএকটি একক উপাদানের তালিকায় আবৃত করা, তারপরে *অপারেটরটি ব্যবহার করে এই তালিকা num_repeatsবারের উপাদানগুলি নকল করতে ।
উদাহরণস্বরূপ, যদি:
a = np.array([[1, 2], [1, 2]])
num_repeats = 5
এটি [1 2; 1 2]তৃতীয় মাত্রায় 5 বার অ্যারের পুনরাবৃত্তি করে । যাচাই করতে (আইপিথনে):
In [110]: import numpy as np
In [111]: num_repeats = 5
In [112]: a = np.array([[1, 2], [1, 2]])
In [113]: b = np.dstack([a]*num_repeats)
In [114]: b[:,:,0]
Out[114]:
array([[1, 2],
[1, 2]])
In [115]: b[:,:,1]
Out[115]:
array([[1, 2],
[1, 2]])
In [116]: b[:,:,2]
Out[116]:
array([[1, 2],
[1, 2]])
In [117]: b[:,:,3]
Out[117]:
array([[1, 2],
[1, 2]])
In [118]: b[:,:,4]
Out[118]:
array([[1, 2],
[1, 2]])
In [119]: b.shape
Out[119]: (2, 2, 5)
শেষে আমরা দেখতে পাচ্ছি ম্যাট্রিক্সের আকারটি 2 x 2তৃতীয় মাত্রায় 5 টি স্লাইস রয়েছে।
reshape? আরও দ্রুত? একই কাঠামো দেয়? এটি অবশ্যই আরও সুন্দর
n-dimঅ্যারে প্রসারিত করুনn+1-dimচালু NumPy1.10.0 , আমরা লিভারেজ করতে numpy.broadcast_toকেবল একটি জেনারেট করতে 3Dমধ্যে দৃশ্য 2Dইনপুট অ্যারের। সুবিধাটি কোনও অতিরিক্ত মেমরি ওভারহেড এবং কার্যত ফ্রি রানটাইম হবে না। অ্যারেগুলি বড় হয় এবং আমরা মতামত নিয়ে কাজ করতে ঠিক আছি এমন ক্ষেত্রে এটি প্রয়োজনীয়। এছাড়াও, এটি জেনেরিক কেসগুলির সাথে কাজ করবে n-dim।
আমি শব্দটি তার stackজায়গায় ব্যবহার করবো copy, কারণ পাঠকরা এটিকে অ্যারে অনুলিপি করে যা মেমরির অনুলিপি তৈরি করে তা নিয়ে বিভ্রান্ত করতে পারে।
প্রথম অক্ষ বরাবর স্ট্যাক
আমরা যদি arrপ্রথম অক্ষ বরাবর ইনপুট স্ট্যাক করতে চাই তবে ভিউ np.broadcast_toতৈরির সমাধানটি হ'ল 3D-
np.broadcast_to(arr,(3,)+arr.shape) # N = 3 here
তৃতীয় / শেষ অক্ষ বরাবর স্ট্যাক
arrতৃতীয় অক্ষ বরাবর ইনপুট স্ট্যাক করার জন্য, 3Dভিউ তৈরির সমাধানটি হ'ল -
np.broadcast_to(arr[...,None],arr.shape+(3,))
আমাদের যদি আসলে মেমরির অনুলিপি প্রয়োজন হয় তবে আমরা সর্বদা .copy()সেখানে যুক্ত করতে পারি । সুতরাং, সমাধানগুলি হবে -
np.broadcast_to(arr,(3,)+arr.shape).copy()
np.broadcast_to(arr[...,None],arr.shape+(3,)).copy()
একটি নমুনা কেসগুলির জন্য তাদের আকারের তথ্যের সাথে দেখানো স্ট্যাকিং কীভাবে দুটি ক্ষেত্রে কাজ করে -
# Create a sample input array of shape (4,5)
In [55]: arr = np.random.rand(4,5)
# Stack along first axis
In [56]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[56]: (3, 4, 5)
# Stack along third axis
In [57]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[57]: (4, 5, 3)
একই সমাধান (গুলি) প্রথম এবং শেষ অক্ষ সহ আউটপুট দেখতে একটি n-dimইনপুট প্রসারিত করতে কাজ করবে n+1-dim। আসুন কিছু উচ্চতর ম্লান কেস অনুসন্ধান করুন -
3 ডি ইনপুট কেস:
In [58]: arr = np.random.rand(4,5,6)
# Stack along first axis
In [59]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[59]: (3, 4, 5, 6)
# Stack along last axis
In [60]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[60]: (4, 5, 6, 3)
4D ইনপুট কেস:
In [61]: arr = np.random.rand(4,5,6,7)
# Stack along first axis
In [62]: np.broadcast_to(arr,(3,)+arr.shape).shape
Out[62]: (3, 4, 5, 6, 7)
# Stack along last axis
In [63]: np.broadcast_to(arr[...,None],arr.shape+(3,)).shape
Out[63]: (4, 5, 6, 7, 3)
ইত্যাদি।
আসুন একটি বৃহত নমুনা 2Dকেস ব্যবহার করুন এবং সময়গুলি পান এবং আউটপুটটি যাচাই করি view।
# Sample input array
In [19]: arr = np.random.rand(1000,1000)
আসুন প্রমাণ করুন যে প্রস্তাবিত সমাধানটি সত্যই একটি দৃষ্টিভঙ্গি। আমরা প্রথম অক্ষ বরাবর স্ট্যাকিং ব্যবহার করব (তৃতীয় অক্ষ বরাবর স্ট্যাকিংয়ের জন্য ফলাফলগুলি একই রকম হবে) -
In [22]: np.shares_memory(arr, np.broadcast_to(arr,(3,)+arr.shape))
Out[22]: True
এটি কার্যত নিখরচায় প্রদর্শনের সময়গুলি পান -
In [20]: %timeit np.broadcast_to(arr,(3,)+arr.shape)
100000 loops, best of 3: 3.56 µs per loop
In [21]: %timeit np.broadcast_to(arr,(3000,)+arr.shape)
100000 loops, best of 3: 3.51 µs per loop
, একটি দৃশ্য হচ্ছে বৃদ্ধি Nথেকে 3থেকে 3000সময় পরিবর্তন কিছুই এবং উভয় সময়জ্ঞান ইউনিটে তুচ্ছ হয়। অতএব, স্মৃতি এবং কর্মক্ষমতা উভয় দক্ষ!
A=np.array([[1,2],[3,4]])
B=np.asarray([A]*N)
মাত্রা ক্রম সংরক্ষণ করতে @ মিঃএফএফ সম্পাদনা করুন:
B=B.T
B.shapeপ্রিন্ট করে । আপনি যদি সাথে স্থানান্তর করেন তবে এটি প্রত্যাশিত আউটপুটটির সাথে মিলে যায়। (N, 2, 2)NBB.T
B[0], B[1],...ডান ফালি, যা আমি তর্ক করব দেব এবং যে এর আরো সহজ বদলে টাইপ ব্যবহার বলছি B[:,:,0], B[:,:,1], ইত্যাদি
B[:,:,i]পাশাপাশি পছন্দ করি যা আমি অভ্যস্ত।
এখানে একটি সম্প্রচার উদাহরণ যা অনুরোধ করা হয়েছিল ঠিক তাই করে।
a = np.array([[1, 2], [1, 2]])
a=a[:,:,None]
b=np.array([1]*5)[None,None,:]
তারপরে b*aকাঙ্ক্ষিত ফলাফল এবং (b*a)[:,:,0]উত্পাদন array([[1, 2],[1, 2]]), যা আসল a, যেমনটি হয় (b*a)[:,:,1]ইত্যাদি etc.
b[:,:,0],b[:,:,1]এবংb[:,:,2]। প্রতিটি তৃতীয় মাত্রার স্লাইসটি মূল 2D অ্যারের অনুলিপি। এটি কেবল তাকানো হিসাবে সুস্পষ্ট নয়print(b)।