Numpy:使用reshape或newaxis添加尺寸

Question

任一ndarray.reshape或numpy.newaxis可用于一个新的维度添加到一个数组.他们似乎都创造了一个观点,使用一个而不是另一个是否有任何理由或优势？

>>> b
array([ 1.,  1.,  1.,  1.])
>>> c = b.reshape((1,4))
>>> c *= 2
>>> c
array([[ 2.,  2.,  2.,  2.]])
>>> c.shape
(1, 4)
>>> b
array([ 2.,  2.,  2.,  2.])
>>> d = b[np.newaxis,...]
>>> d
array([[ 2.,  2.,  2.,  2.]])
>>> d.shape
(1, 4)
>>> d *= 2
>>> b
array([ 4.,  4.,  4.,  4.])
>>> c
array([[ 4.,  4.,  4.,  4.]])
>>> d
array([[ 4.,  4.,  4.,  4.]])
>>> 

`

Answer 1

使用numpy.newaxisover 的原因之一ndarray.reshape是当您有多个“未知”维度可供操作时。因此，例如，对于以下数组：

>>> arr.shape
(10, 5)

这有效：

>>> arr[:, np.newaxis, :].shape
(10, 1, 5)

但这不会：

>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension

Answer 2

我没有看到有太大差异的证据.您可以对非常大的阵列进行时间测试.基本上都是摆弄形状,可能是步幅. __array_interface__是访问此信息的好方法.例如:

In [94]: b.__array_interface__
Out[94]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (5,),
 'strides': None,
 'typestr': '<f8',
 'version': 3}

In [95]: b[None,:].__array_interface__
Out[95]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (1, 5),
 'strides': (0, 8),
 'typestr': '<f8',
 'version': 3}

In [96]: b.reshape(1,5).__array_interface__
Out[96]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (1, 5),
 'strides': None,
 'typestr': '<f8',
 'version': 3}

两者都使用与data原始缓冲区相同的缓冲区创建视图.相同的形状,但重塑不会改变strides. reshape让你指定order.

并.flags显示C_CONTIGUOUS旗帜的差异.

reshape可能会更快,因为它做的更少.但无论哪种方式,操作都不应该影响更大计算的时间.

例如大 b

In [123]: timeit np.outer(b.reshape(1,-1),b)
1 loops, best of 3: 288 ms per loop
In [124]: timeit np.outer(b[None,:],b)
1 loops, best of 3: 287 ms per loop

有趣的观察: b.reshape(1,4).strides -> (32, 8)

这是我的猜测. .__array_interface__正在显示一个底层属性,.strides它更像是一个属性(尽管它可能都隐藏在C代码中).默认的基础值是None,当需要进行计算(或显示.strides)时,它会根据形状和项目大小进行计算.32是到第1行末尾的距离(4x8). np.ones((2,4)).strides具有相同的(32,8)(和None在__array_interface__.

b[None,:]另一方面,正在准备用于广播的阵列.广播时,重复使用现有值.这就是0in的(0,8)功能.

In [147]: b1=np.broadcast_arrays(b,np.zeros((2,1)))[0]

In [148]: b1.shape
Out[148]: (2, 5000)

In [149]: b1.strides
Out[149]: (0, 8)

In [150]: b1.__array_interface__
Out[150]: 
{'data': (3023336880L, False),
 'descr': [('', '<f8')],
 'shape': (2, 5),
 'strides': (0, 8),
 'typestr': '<f8',
 'version': 3}

b1显示相同np.ones((2,5))但只有5个项目.

np.broadcast_arrays是一个功能/numpy/lib/stride_tricks.py.它使用as_strided来自同一个文件.这些函数直接使用shape和strides属性.