python - tutorial - Numpy array TypeError: solo las matrices escalares enteras se pueden convertir en un índice escalar

numpy tutorial español pdf

Question

i=np.arange(1,4,dtype=np.int)
a=np.arange(9).reshape(3,3)

y

a
>>>array([[0, 1, 2],
          [3, 4, 5],
          [6, 7, 8]])
a[:,0:1]
>>>array([[0],
          [3],
          [6]])
a[:,0:2]
>>>array([[0, 1],
          [3, 4],
          [6, 7]])
a[:,0:3]
>>>array([[0, 1, 2],
          [3, 4, 5],
          [6, 7, 8]])

Ahora quiero vectorizar la matriz para imprimirlos todos juntos. lo intento

a[:,0:i]

o

a[:,0:i[:,None]]

Da TypeError: solo las matrices escalares enteras se pueden convertir en un índice escalar

Answer 1

Esto podría no estar relacionado con este problema específico, pero me encontré con un problema similar en el que usé la indexación NumPy en una lista de Python y obtuve el mismo mensaje de error:

# incorrect
weights = list(range(1, 129)) + list(range(128, 0, -1))
mapped_image = weights[image[:, :, band] # image.shape = [800, 600, 3]
# TypeError: only integer scalar arrays can be converted to a scalar index

Resulta que necesitaba convertir los weights , una lista de Python 1D, en una matriz NumPy antes de poder aplicar la indexación NumPy multidimensional. El siguiente código funciona:

# correct
weights = np.array(list(range(1, 129)) + list(range(128, 0, -1)))
mapped_image = weights[image[:, :, band] # image.shape = [800, 600, 3]

Answer 2

Puede usar numpy.ravel para devolver una matriz aplanada de una matriz n-dimensional:

>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> a.ravel()
array([0, 1, 2, 3, 4, 5, 6, 7, 8])

Answer 3

Respuesta corta:

[a[:,:j] for j in i]

Lo que estás tratando de hacer no es una operación vectorizable . Wikipedia define la vectorización como una operación por lotes en una sola matriz, en lugar de en escalares individuales:

En ciencias de la computación, los lenguajes de programación de matrices (también conocidos como lenguajes vectoriales o multidimensionales) generalizan las operaciones en escalares para aplicar de manera transparente a vectores, matrices y matrices de dimensiones superiores.

...

... una operación que opera en arreglos completos se puede llamar una operación vectorizada ...

En términos de optimización a nivel de CPU, la definición de vectorización es:

"Vectorización" (simplificado) es el proceso de reescritura de un bucle para que, en lugar de procesar un solo elemento de una matriz N veces, procese (digamos) 4 elementos de la matriz simultáneamente N / 4 veces.

El problema con su caso es que el resultado de cada operación individual tiene una forma diferente : (3, 1) , (3, 2) y (3, 3) . No pueden formar la salida de una sola operación vectorizada, porque la salida debe ser una matriz contigua. Por supuesto, puede contener arrays (3, 1) , (3, 2) y (3, 3) dentro de ella (como vistas), pero eso es lo que ya hace su matriz original.

Lo que realmente estás buscando es solo una expresión que los computa a todos:

[a[:,:j] for j in i]

... pero no está vectorizado en un sentido de optimización del rendimiento. Debajo del capó, es viejo for bucle que calcula cada elemento uno por uno.

Answer 4

intente lo siguiente para cambiar su matriz a 1D

a.reshape((1, -1))