numpy - 多维 numpy 数组的对角线

In lại 作者：行者123 更新时间：2023-12-02 09:26:07 28 4

nhập numpy dưới dạng np
def diagonal(A):
    (x,y,y) = A.shape
    diags = []
    for a in A: diags.append(np.diagonal(a))
    result = np.vstack(diags)
    assert result.shape == (x,y)
    trả về kết quả

np.diagonal(A.T)

m,n = A.shape[:2]
out = A[np.arange(m)[:,None],np.eye(n,dtype=bool)]

out = A.reshape(m,-1)[:,np.eye(n,dtype=bool).ravel()]

In [87]: A
Out[87]: 
array([[[73, 52, 62],
        [20, 7, 7],
        [ 1, 68, 89]],

       [[15, 78, 98],
        [24, 22, 35],
        [19, 1, 91]],

       [[ 5, 37, 64],
        [22, 4, 43],
        [84, 45, 12]],

       [[24, 45, 42],
        [70, 45, 1],
        [ 6, 48, 60]]])

In [88]: np.diagonal(A.T)
Out[88]: 
array([[73, 7, 89],
       [15, 22, 91],
       [ 5, 4, 12],
       [24, 45, 60]])

In [89]: m,n = A.shape[:2]

In [90]: A[np.arange(m)[:,None],np.eye(n,dtype=bool)]
Out[90]: 
array([[73, 7, 89],
       [15, 22, 91],
       [ 5, 4, 12],
       [24, 45, 60]])

28 4 0

• Kiểm tra xem mảng numpy có phải là mảng numpy masked không

  Khi xuất ra một tập lệnh, tôi có mảng numpy masked và mảng numpy chuẩn. Làm thế nào tôi có thể dễ dàng kiểm tra xem một mảng có bị masked (có dữ liệu, thuộc tính mask) khi tôi chạy tập lệnh? Câu trả lời tốt nhất là bạn có thể sử dụng isin

• Kiểm tra xem có bao nhiêu phần tử trong một mảng numpy bằng với các mảng numpy khác trong một mảng numpy khác có kích thước khác

  Câu hỏi của tôi giả sử tôi có = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), ...7,8]), np.array([7,8]), np.array

• Numpy có tích hợp sẵn chức năng lũy ​​thừa mô-đun ma trận từng phần tử không?

  Numpy có tích hợp sẵn chức năng lũy ​​thừa ma trận không? (Như user2357112 đã chỉ ra, thực ra tôi đang tìm kiếm phép rút gọn mô-đun theo từng phần tử) Một cách để thực hiện phép lũy thừa mô-đun cho các số thông thường là sử dụng phép lũy thừa bình phương (https://en

• Vectorized Gradient Descent Numpy

  Tôi đã triển khai gradient descent này trong Numpy: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i

• Cách cài đặt Numpy mà không cần biên dịch mã nguồn

  Tôi có một dự án chạy trên CentOS7 sử dụng Numpy. Vấn đề là việc cài đặt phần phụ thuộc này mất rất nhiều thời gian. Do đó, tôi đã thử yum cài đặt thư viện numpy trước khi pip cài đặt nó. Vì vậy, tôi chạy:

• Numpy: Thay thế số không trong mảng numpy bằng mảng numpy

  để xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi chỉ sử dụng được numpy và không thể sử dụng pandas. Dữ liệu gốc như sau: dữ liệu = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,

• Hạt giống số ngẫu nhiên trong numpy

  numpy.random.seed(7) Tôi đã thấy nhiều con số khác nhau cho tập hạt giống này trong nhiều hướng dẫn về phân tích dữ liệu và học máy khác nhau. Việc lựa chọn một số hạt giống cụ thể có thực sự tạo nên sự khác biệt không? Hoặc bất kỳ số nào cũng được? Mục đích của việc chọn số lượng hạt giống là để đảm bảo khả năng tái tạo của cùng một thí nghiệm.

• Các tập tin được ánh xạ bộ nhớ cho mảng numpy

  Tôi cần đọc một phần của mảng numpy khổng lồ được lưu trữ trong tệp ánh xạ bộ nhớ, xử lý dữ liệu và lặp lại cho phần khác của mảng. Toàn bộ mảng numpy chiếm khoảng 50 GB và máy của tôi có RAM 8 GB. Ban đầu tôi sử dụng numpy.m

• Numpy: Thay thế số không trong mảng numpy bằng mảng numpy

  để xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi chỉ sử dụng được numpy và không thể sử dụng pandas. Dữ liệu gốc như sau: dữ liệu = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,

• Mục đích của numpy.empty() thay thế cho numpy.ndarray() là gì?

  Có vẻ như bất cứ điều gì có thể thực hiện được với numpy.empty() đều có thể dễ dàng thực hiện được với numpy.ndarray(), ví dụ: >>> np.empty(shape=(2, 2), dtype=np.dtype('d

• Khoảng cách Euclide tối thiểu từ cạnh này đến cạnh kia giữa các thành phần được gắn nhãn trong một mảng numpy

  Tôi có nhiều dạng khác nhau trong một mảng numpy lớn và tôi muốn tính khoảng cách Euclide từ cạnh này đến cạnh kia giữa chúng bằng numpy và scipy. Lưu ý: Tôi đã tìm kiếm điều này và nó khác với các câu hỏi trước đó trong stack vì tôi muốn lấy giá trị của khối thẻ trong mảng

• mảng numpy của mảng numpy python numpy

  Tôi có một mảng numpy các đối tượng có kích thước (2x3). Chúng tôi gọi nó là M1. Trong M1 có 6 mảng numpy. Hình dạng của các mảng trong một hàng nhất định của M1 là giống nhau, nhưng chúng khác với hình dạng của các mảng trong bất kỳ hàng nào khác của M1. Nghĩa là, M1 = [ [

• Ký hiệu Einstein cho tích vô hướng numpy

  Làm thế nào tôi có thể viết tích vô hướng sau bằng cách sử dụng ký hiệu Einstein? nhập numpy dưới dạng np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.

• Làm thế nào để có được một mảng numpy mới dựa trên điều kiện của hai mảng numpy khác chỉ bằng cách sử dụng các phép toán numpy?

  Giả sử tôi có np.array của a = [0, 1, 1, 0, 0, 1] và b = [1, 1, 0, 0, 0, 1] Tôi muốn một ma trận c mới sao cho nếu a[i] = 0 và b[i] = 0

• Numpy: tạo một loạt các mảng numpy bên trong một mảng numpy khác (định hình lại)

  Tôi có một mảng numpy có dạng (32,5). Mỗi phần tử của lô chứa một mảng numpy batch_elem = [s,_,_,_,_] trong đó s = [img,val1,val

• Không thể chuyển đổi mảng NumPy sang tensor (loại đối tượng không được hỗ trợ numpy.ndarray) - Dữ liệu đã được chuyển đổi sang mảng numpy

  Hãy thử đào tạo mạng nơ-ron một lớp cho bài toán phân loại đa nhãn dựa trên văn bản. mô hình = Mô hình tuần tự().thêm(Dense(20, input_dim=400, kernel_initializer='

• Tạo hiệu quả khối mảng numpy từ mảng numpy của mảng numpy 2D

  Đầu tiên là một ví dụ đơn giản import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.

• Tính trung bình một numpy.array 2D bằng cách sử dụng numpy.mean hoặc numpy.average

  Tôi đang cố gắng tính trung bình một mảng numpy 2D. Vì vậy, tôi đã sử dụng numpy.mean nhưng kết quả lại là mảng rỗng. nhập numpy dưới dạng np ws1 = np.array(ws1) ws1_I8 = np.ar

• Cách numpy để sắp xếp một mảng 2D numpy dựa trên một mảng chỉ mục numpy 2D là gì?

  nhập numpy dưới dạng np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] Đầu ra mong đợi: ar

• Phép nhân ma trận Python numpy với ma trận đường chéo

  Tôi có hai mảng A (4000,4000) trong đó chỉ có đường chéo được điền dữ liệu và mảng B (4000,5) trong đó cả hai đều được điền dữ liệu. Có cách nào nhanh hơn để nhân (dot) các mảng này ngoài hàm numpy.dot(a,b) không? Cho đến nay, tôi đã tìm thấy