python - Numpy联合数组按顺序排列

Question

我有三个不同的 numpy 数组

a = array([ 0,  3,  6,  9, 12])
b = array([ 1,  4,  7, 10, 13])
c = array([ 2,  5,  8, 11, 14])

我如何使用 numpy 方法加入他们

d = array[(0,1,2,3,4,...,12,13,14)]

我不想写一个像

for i in range(len(a)):
 [...]

这只是我项目中的一个示例，数组未排序，我想保持它们的顺序。

Answer 1

您可以转置和展平数组：

d = numpy.array([a, b, c]).T.flatten()

组合数组的另一种方法是使用numpy.vstack()：

d = numpy.vstack((a, b, c)).T.flatten()

（顺便说一句，我不知道哪个更快。）

编辑：响应Nicolas Barbey 的回答，这里是如何只复制一次数据：

d = numpy.empty((len(a), 3), dtype=a.dtype)
d[:, 0], d[:, 1], d[:, 2] = a, b, c
d = d.ravel()

这段代码确保数据以ravel() 不需要复制的方式布局，而且确实比我机器上的原始代码快很多：

In [1]: a = numpy.arange(0, 30000, 3)
In [2]: b = numpy.arange(1, 30000, 3)
In [3]: c = numpy.arange(2, 30000, 3)
In [4]: def f(a, b, c):
   ...:     d = numpy.empty((len(a), 3), dtype=a.dtype)
   ...:     d[:, 0], d[:, 1], d[:, 2] = a, b, c
   ...:     return d.ravel()
   ...: 
In [5]: def g(a, b, c):
   ...:     return numpy.vstack((a, b, c)).T.ravel()
   ...: 
In [6]: %timeit f(a, b, c)
10000 loops, best of 3: 34.4 us per loop
In [7]: %timeit g(a, b, c)
10000 loops, best of 3: 177 us per loop

Answer 2

您可以使用 ：

d = np.vstack((a, b, c)).T.ravel()

这在 .flatten() 上节省了一份副本，因此在大型数组上可以更快。

编辑：正如 Sven Marnach 所说，在这种情况下，这不会保存副本。

由于某种原因，vstack 比数组快：

In [1]: a = ones(1e4)

In [2]: b = ones(1e4)

In [3]: c = ones(1e4)

In [4]: %timeit np.vstack((a, b, c)).T.ravel()
1000 loops, best of 3: 265 us per loop

In [5]: %timeit np.vstack((a, b, c)).T.flatten()
1000 loops, best of 3: 268 us per loop

In [6]: %timeit np.array((a, b, c)).T.ravel()
100 loops, best of 3: 5.24 ms per loop

In [7]: def test(a, b, c):
    d = numpy.empty((len(a), 3), dtype=a.dtype)
    d.T[:] = a, b, c
    d = d.ravel()
    return d

In [8]: %timeit test(a, b, c)
100 loops, best of 3: 5.06 ms per loop

In [9]: def test2(a, b, c):
            d = np.empty((len(a), 3), dtype=a.dtype)
            d[:, 0], d[:, 1], d[:, 2] = a, b, c
            d = d.ravel()
            return d

In [9]: %timeit test2(a, b, c)
10000 loops, best of 3: 69.8 us per loop

Answer 3

试试看...

reduce (numpy.union1d, (a, b, c))