概述
我有一个2D数组v,v.shape =(M_1,M_2),我想重塑成一个3D数组,其中v.shape =(M_2,N_1,N_2),M_1 = N_1 * N_2.
我想出了以下几行产生相同的结果：
np.reshape(v.T,reshape_tuple)
和
np.reshape(v.ravel(order='F'),reshape_tuple)
for reshape_tuple =(M_2,N_2).
如果原始v是一个巨大的(可能是复值的)矩阵,哪一个在计算上更好,在什么意义上(comp时间,内存等)？
我的猜测是使用转置效果更好,但如果重塑使用自动混乱,那么ravel-option可能更快(虽然重塑可能是在C或Fortran中进行混乱然后它不清楚)？
我喜欢使用__array_interface__来查看数据缓冲区的位置以及其他更改.我想我应该添加标志来查看订单.但是我们/你知道转置已经将顺序更改为F,对吧？
In [549]: x=np.arange(6).reshape(2,3)
In [550]: x.__array_interface__
Out[550]:
{'data': (187732024,False),'descr': [('','
转置是一种视图,具有不同的形状,步幅和顺序：
In [551]: x.T.__array_interface__
Out[551]:
{'data': (187732024,'shape': (3,2),'strides': (4,12),'version': 3}
不同顺序的ravel是一个副本(不同的数据缓冲区指针)
In [552]: x.ravel(order='F').__array_interface__
Out[552]:
{'data': (182286992,'shape': (6,),'version': 3}
转置ravel也是一个副本.我认为相同的数据指针只是一个内存重用的情况(因为我没有分配给变量) – 但可以检查.
In [553]: x.T.ravel().__array_interface__
Out[553]:
{'data': (182286992,'version': 3}
添加重塑：
In [554]: x.T.ravel().reshape(2,3).__array_interface__
Out[554]:
{'data': (182286992,'version': 3}
In [555]: x.ravel(order='F').reshape(2,3).__array_interface__
Out[555]:
{'data': (182286992,'version': 3}
我认为重塑中存在隐含的“拉威尔”：
In [558]: x.T.reshape(2,3).__array_interface__
Out[558]:
{'data': (182286992,'version': 3}
(我应该重新设计这些示例以消除内存重用歧义.)无论如何,转置后重新整形需要与订单更改的ravel相同的内存副本.据我所知,两种情况都只需要一份副本.其他操作只涉及对形状等属性的更改.
如果我们只看阵列,可能会更清楚
In [565]: x.T
Out[565]:
array([[0,3],[1,4],[2,5]])
在T中,我们仍然可以按数字顺序遍历数组.但重塑后,1并不接近0.显然有一个副本.
In [566]: x.T.reshape(2,3)
Out[566]:
array([[0,3,1],[4,2,5]])
在ravel看起来相似之后的值的顺序,并且在重塑之后更明显地如此.
In [567]: x.ravel(order='F')
Out[567]: array([0,1,4,5])
In [568]: x.ravel(order='F').reshape(2,3)
Out[568]:
array([[0,5]])
总结
以上是编程之家为你收集整理的在重塑时使用python ravel与transpose全部内容，希望文章能够帮你解决在重塑时使用python ravel与transpose所遇到的程序开发问题。
如果您也喜欢它,动动您的小指点个赞吧
602392714
清零编程群