标签: flatten

在Scala中是否有一种简单的方法可以将某些事物的序列(等)序列的嵌套序列展平或"取消列表"到这些事物的简单序列中,而没有任何嵌套结构？

我正在将我所有的查询转换为 sequelize。The problem I have come across is that when select queries include associations (ex. one to many), the object I get is an array of nested objects.

它看起来像：

[   
  {
    "field1": "someval",
    "field2": "someval1",
    "assoc_table": {
      "field_a": 1,
      "field_b": "someval"
    }   
  },   
  {
    "field1": "someval",
    "field2": "someval3",
    "assoc_table": {
      "field_a": 5,
      "field_b": "someval"
    }   
  },   
  {
    "field1": "someval",
    "field2": "someval3",
    "assoc_table": {
      "field_a": 12,
      "field_b": "someval"
    }   
   } 
]

我尝试使用不同的模块来展平对象（在循环内，每个对象单独），但我总是收到一个错误，告诉我我试图展平的不仅仅是对象。

此外，我更愿意避免对象被展平的部分，并通过 sequelize 简单地获得平坦的结果。

续集代码如下所示：

models.table1.findAll({
    attributes: ['field1', 'field2'],
    where: …

我正在尝试使用 Google Earth Engine 从大量的rapideye 图像中提取水掩模。我在Google Earth Engine 的代码编辑器中开发了这个脚本，它非常适合一小部分图像。但是当我尝试将图像数量增加到 100 以上时，我收到一条消息说

Computation timed out when processing the ee.FeatureCollection.flatten() function, line 84 of the script.

有人对这个问题有任何提示或解决方案吗？

JavaScript 代码：

//Convert image into ImageCollection
function loadImageCollection(folderPath){
var t= ee.data.getInfo(folderPath);
var d=ee.data.getList(t);
var inglst=[];
for (var index = 0; index < d.length; ++index) {
inglst.push(ee.Image(d[index].id));}
return ee.ImageCollection.fromImages(inglst);}

var rapideyetoa= loadImageCollection('users/danielassumpcaoferreira/Rapideye2');
print(rapideyetoa);

//This function calculates Indices
var allbynary = function(image) {
var NIR = image.select('b5').rename ("nir");
var SR1 = image.select('b5').divide(image.select('b2')).rename("sr1");
var SR2 = …

我有一个 pyspark 数据框，其中一些列包含字符串数组（一列包含嵌套数组）。因此，我无法将数据帧写入 csv。

这是我正在处理的数据框的示例 -

    +-------+--------------------+---------+
    |ID     |             emailed| clicked
    +-------+--------------------+---------+
    |9000316|[KBR, NRT, AOR]     |[[AOR]]  
    |9000854|[KBR, NRT, LAX]     | Null 
    |9001996|[KBR, JFK]          |[[JFK]] 
    +-------+--------------------+---------+

我想获得以下结构，以保存为 csv。

    +-------+--------------------+---------+
    |ID     |             emailed| clicked
    +-------+--------------------+---------+
    |9000316|KBR, NRT, AOR       | AOR  
    |9000854|KBR, NRT, LAX       | Null 
    |9001996|KBR, JFK            | JFK 
    +-------+--------------------+---------+

我对 pyspark 很陌生。非常感谢您的帮助。谢谢！

操作系统：Kubuntu 14.04，Tensorflow 版本 = 0.12，Python 版本 = 2.7

我的最后一层后，我的神经网络的输出具有形状[batch, height, width, 2]这是[64, 32, 256, 2]在我的情况。

之后我用

output = tf.contrib.layers.flatten(input=output)

产生具有形状的张量[64, 16384]

出于评估目的，我想在不同的函数中反转这种扁平化以[64, 32, 256, 2]恢复原始张量。

那怎么办呢？

假设我有一个 pandas 数据框，例如

df_p = pd.DataFrame(
   {'name_array':
    [[20130101, 320903902, 239032902],
     [20130101, 3253453, 239032902],
     [65756, 4342452, 32425432523]],
    'name': ['a', 'a', 'c']} )

我想提取包含每行中的展平数组的系列，同时保留顺序

预期结果是pandas.core.series.Series

这个问题不是重复的，因为我的预期输出是 pandas 系列，而不是数据框。

我正在通读Eloquent JavaScript，在第 4 章末尾，它挑战你将数组转换为列表，即

[1, 3, 3] --> {value: 1, rest: {value: 2, rest: {value: 3, rest: null}}};

我认为我不理解这个概念。

它建议向后迭代数组，所以我尝试过：

function arrayToList(array) {
    let list = {};
    for (let i = array.length -1; i > array[0]; i--) {
        list += ("value:" + i + ", rest: null");
    }
    return list;
}

console.log(arrayToList([1, 2, 3]));

这会注销：

[object Object]value:2, rest: null

正如您所看到的，我不理解如何通过迭代创建“嵌套”对象（列表）。有人可以向我解释一下吗？

我正在尝试展平递归结构，但我在递归迭代器方面遇到了麻烦。

该结构如下所示：

#[derive(Debug, Clone)]
pub struct C {
    name: String,
    vb: Option<Vec<B>>,
}

#[derive(Debug, Clone)]
pub struct B {
    c: Option<C>,
}

#[derive(Debug, Clone)]
pub struct A {
    vb: Option<Vec<B>>,
    flat_c: Option<Vec<C>>,
}

我的计划是遍历vb向量并将其展平为flat_c. 我希望它看起来像这样，或者至少是Vec<String>：

Some([
    C {
        name: "foo",
        vb: None,
    },
    C {
        name: "bar",
        vb: None,
    },
    C {
        name: "fizz",
        vb: None,
    },
    C {
        name: "buzz",
        vb: None,
    },
])

这里我设法做的，稍微扁平化结构，但仅限于最后一个元素，因为未实现递归。

impl A {
    fn flat_c(self) -> Self { …

我想扁平化对象并将返回值转换为类型。

例如：

const myObject = {
  names: {
    title: 'red',
    subtitle: 'green'
  },
}
const returned = [...Object.values(flatten(myObject))] as const
// returns ['red', 'green']
type Type = typeof returned[number]

现在返回的变量是 ['red', 'green']

类型应为“红色|” 'green'，但现在是一个字符串数组，因为返回的 typeof 是 string[]。我想使用这种类型为我的组件输入 prop：

<Component name="red" /> //is correct, but
<Component name=`something different than "red" or "green"` /> //is incorrect.

压平函数：

type FlattenedObject = { [x: string]: string }

export const flattenDaisyChain = (obj: any): FlattenedObject => {
  const result: FlattenedObject = {}

  const transform = …

我正在使用 Keras 创建一个 LSTM，用于通过 IMDB 数据库（的子集）进行情感分析。如果我在最终的密集层之前添加一个扁平层，我的训练、验证和测试准确性将显着提高：

def lstm_model_flatten():
    embedding_dim = 128
    model = Sequential()
    model.add(layers.Embedding(vocab_size, embedding_dim, input_length=maxlen))
    model.add(layers.LSTM(128, return_sequences = True,  dropout=0.2)) 
    # Flatten layer
    model.add(layers.Flatten())
    model.add(layers.Dense(1,activation='sigmoid'))
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    model.summary()
    return model

这很快就会过拟合，但验证准确率高达 76% 左右：

Model: "sequential_43"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding_42 (Embedding)     (None, 500, 128)          4768256   
_________________________________________________________________
lstm_63 (LSTM)               (None, 500, 128)          131584    
_________________________________________________________________
flatten_10 (Flatten)         (None, 64000)             0         
_________________________________________________________________
dense_40 (Dense)             (None, 1)                 64001     
=================================================================
Total params: 4,963,841
Trainable params: 4,963,841
Non-trainable params: …