当前位置：文江博客话题详情

Numpy 矩阵到数组

发布于 2024-09-11 10:41:04 字数 242 浏览 3 评论 0原文

我正在使用numpy。我有一个 1 列 N 行的矩阵，我想从中获取一个包含 N 个元素的数组。

例如，如果我有 M = matrix([[1], [2], [3], [4]])，我想得到 A = array([1, 2,3,4]）。

为了实现它，我使用 A = np.array(MT)[0]。有谁知道一种更优雅的方法来获得相同的结果？

谢谢！

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

早乙女 2024-09-18 10:41:04

如果你想要更具可读性的东西，你可以这样做：

A = np.squeeze(np.asarray(M))

同样，你也可以这样做：A = np.asarray(M).reshape(-1)，但这有点少易于阅读。

If you'd like something a bit more readable, you can do this:

A = np.squeeze(np.asarray(M))

Equivalently, you could also do: A = np.asarray(M).reshape(-1), but that's a bit less easy to read.

回复收藏 0 原文

情愿 2024-09-18 10:41:04

result = M.A1

https://numpy.org/doc/stable/reference/generate /numpy.matrix.A1.html

matrix.A1
1-d base array

result = M.A1

https://numpy.org/doc/stable/reference/generated/numpy.matrix.A1.html

matrix.A1
1-d base array

回复收藏 0 原文

白况 2024-09-18 10:41:04

您可以尝试以下变体：

result=np.array(M).flatten()

You can try the following variant:

result=np.array(M).flatten()

回复收藏 0 原文

追星践月 2024-09-18 10:41:04

A, = np.array(M.T)

取决于你所说的优雅是什么意思，我想但这就是我会做的

A, = np.array(M.T)

depends what you mean by elegance i suppose but thats what i would do

回复收藏 0 原文

摇划花蜜的午后 2024-09-18 10:41:04

np.array(M).ravel()

如果您关心速度；但如果你关心记忆：

np.asarray(M).ravel()

np.array(M).ravel()

If you care for speed; But if you care for memory:

np.asarray(M).ravel()

回复收藏 0 原文

并安 2024-09-18 10:41:04

或者你可以尝试避免一些临时情况

A = M.view(np.ndarray)
A.shape = -1

Or you could try to avoid some temps with

A = M.view(np.ndarray)
A.shape = -1

回复收藏 0 原文

一瞬间的火花 2024-09-18 10:41:04

首先，Mv = numpy.asarray(MT)，它为您提供一个 4x1 的二维数组。

然后，执行 A = Mv[0,:]，这会给你你想要的。您可以将它们放在一起，如 numpy.asarray(MT)[0,:]。

回复收藏 0 原文

万水千山粽是情ミ 2024-09-18 10:41:04

这会将矩阵转换为数组

A = np.ravel(M).T

This will convert the matrix into array

A = np.ravel(M).T

回复收藏 0 原文

他不在意 2024-09-18 10:41:04

ravel() 和 flatten() 来自 numpy 的函数我将在这里尝试两种技术。我想添加 Joe、Siraj，气泡和Kevad< /a>.

Ravel：

A = M.ravel()
print A, A.shape
>>> [1 2 3 4] (4,)

扁平化：

M = np.array([[1], [2], [3], [4]])
A = M.flatten()
print A, A.shape
>>> [1 2 3 4] (4,)

numpy.ravel() 更快，因为它是一个库级函数，不制作数组的任意副本。但是，如果您使用numpy.ravel()，则数组 A 中的任何更改都会转移到原始数组 M 中。

numpy.flatten() 比 numpy.ravel() 慢。但是，如果您使用 numpy.flatten() 来创建 A，则 A 中的更改将不会转移到原始数组 M 中。

numpy.squeeze() 和 M.reshape(-1) 比 numpy.flatten() 和 numpy.ravel( ）。

%timeit M.ravel()
>>> 1000000 loops, best of 3: 309 ns per loop

%timeit M.flatten()
>>> 1000000 loops, best of 3: 650 ns per loop

%timeit M.reshape(-1)
>>> 1000000 loops, best of 3: 755 ns per loop

%timeit np.squeeze(M)
>>> 1000000 loops, best of 3: 886 ns per loop

ravel() and flatten() functions from numpy are two techniques that I would try here. I will like to add to the posts made by Joe, Siraj, bubble and Kevad.

Ravel:

A = M.ravel()
print A, A.shape
>>> [1 2 3 4] (4,)

Flatten:

M = np.array([[1], [2], [3], [4]])
A = M.flatten()
print A, A.shape
>>> [1 2 3 4] (4,)

numpy.ravel() is faster, since it is a library level function which does not make any copy of the array. However, any change in array A will carry itself over to the original array M if you are using numpy.ravel().

numpy.flatten() is slower than numpy.ravel(). But if you are using numpy.flatten() to create A, then changes in A will not get carried over to the original array M.

numpy.squeeze() and M.reshape(-1) are slower than numpy.flatten() and numpy.ravel().

%timeit M.ravel()
>>> 1000000 loops, best of 3: 309 ns per loop

%timeit M.flatten()
>>> 1000000 loops, best of 3: 650 ns per loop

%timeit M.reshape(-1)
>>> 1000000 loops, best of 3: 755 ns per loop

%timeit np.squeeze(M)
>>> 1000000 loops, best of 3: 886 ns per loop

回复收藏 0 原文