una - normalize python

"Clonación" de vectores de fila o columna

Question

Algunas veces es útil "clonar" un vector de fila o columna a una matriz. Al clonar, me refiero a convertir un vector de fila como

[1,2,3]

En una matriz

[[1,2,3]
 [1,2,3]
 [1,2,3]
]

o un vector de columna como

[1
 2
 3
]

dentro

[[1,1,1]
 [2,2,2]
 [3,3,3]
]

En matlab u octava esto se hace bastante fácilmente:

 x = [1,2,3]
 a = ones(3,1) * x
 a =

    1   2   3
    1   2   3
    1   2   3

 b = (x'') * ones(1,3)
 b =

    1   1   1
    2   2   2
    3   3   3

Quiero repetir esto en numpy, pero sin éxito

In [14]: x = array([1,2,3])
In [14]: ones((3,1)) * x
Out[14]:
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.],
       [ 1.,  2.,  3.]])
# so far so good
In [16]: x.transpose() * ones((1,3))
Out[16]: array([[ 1.,  2.,  3.]])
# DAMN
# I end up with 
In [17]: (ones((3,1)) * x).transpose()
Out[17]:
array([[ 1.,  1.,  1.],
       [ 2.,  2.,  2.],
       [ 3.,  3.,  3.]])

¿Por qué no funcionaba el primer método (en [16])? ¿Hay alguna manera de lograr esta tarea en python de una manera más elegante?

Answer 1

Aquí hay una manera elegante y pitonica de hacerlo:

>>> array([[1,2,3],]*3)
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

>>> array([[1,2,3],]*3).transpose()
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

el problema con [16] parece ser que la transposición no tiene efecto para una matriz. probablemente prefieras una matriz:

>>> x = array([1,2,3])
>>> x
array([1, 2, 3])
>>> x.transpose()
array([1, 2, 3])
>>> matrix([1,2,3])
matrix([[1, 2, 3]])
>>> matrix([1,2,3]).transpose()
matrix([[1],
        [2],
        [3]])

Answer 2

Creo que usar la transmisión en numpy es lo mejor y más rápido

Hice una comparación como siguiente

import numpy as np
b = np.random.randn(1000)
In [105]: %timeit c = np.tile(b[:, newaxis], (1,100))
1000 loops, best of 3: 354 µs per loop

In [106]: %timeit c = np.repeat(b[:, newaxis], 100, axis=1)
1000 loops, best of 3: 347 µs per loop

In [107]: %timeit c = np.array([b,]*100).transpose()
100 loops, best of 3: 5.56 ms per loop

aproximadamente 15 veces más rápido usando difusión

Answer 3

En primer lugar, tenga en cuenta que con las operaciones de difusión de numpy generalmente no es necesario duplicar filas y columnas. Ver this y this para descripciones.

Pero para hacer esto, repeat y newaxis son probablemente la mejor manera

In [12]: x = array([1,2,3])

In [13]: repeat(x[:,newaxis], 3, 1)
Out[13]: 
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

In [14]: repeat(x[newaxis,:], 3, 0)
Out[14]: 
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

Este ejemplo es para un vector de fila, pero aplicar esto a un vector de columna es, con suerte, obvio. repetir parece deletrear bien esto, pero también puede hacerlo a través de la multiplicación como en su ejemplo

In [15]: x = array([[1, 2, 3]])  # note the double brackets

In [16]: (ones((3,1))*x).transpose()
Out[16]: 
array([[ 1.,  1.,  1.],
       [ 2.,  2.,  2.],
       [ 3.,  3.,  3.]])

Answer 4

Puedes usar

np.tile(x,3).reshape((4,3))

azulejo generará las repeticiones del vector

y la remodelación le dará la forma que desee

Answer 5

Use numpy.tile :

>>> tile(array([1,2,3]), (3, 1))
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

o para repetir columnas:

>>> tile(array([[1,2,3]]).transpose(), (1, 3))
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

Answer 6

np.broadcast_to es incluso más rápido que np.tile :

x = np.arange(9)

%timeit np.broadcast_to(x, (6,9))
100000 loops, best of 3: 3.6 µs per loop

%timeit np.tile(x, (6,1))
100000 loops, best of 3: 8.4 µs per loop

Pero el método más rápido es @ tom10:

%timeit np.repeat(x[np.newaxis, :], 6, axis=0) 
100000 loops, best of 3: 3.15 µs per loop

Answer 7

import numpy as np
x=np.array([1,2,3])
y=np.multiply(np.ones((len(x),len(x))),x).T
print(y)

rendimientos:

[[ 1.  1.  1.]
 [ 2.  2.  2.]
 [ 3.  3.  3.]]