0

鉴于以下代码，我希望最后两行的行为相同，但事实并非如此。

import numpy as np

C = np.matrix(np.zeros((4,4)))
C[0, 0:2] = np.matrix([[1, 2]]) # Works as expected.
C[0, [0,1]] = np.matrix([[1, 2]]) # Throws an "array is not broadcastable to correct shape" error.

相反，当使用 an 时ndarray，事情会按预期工作（将分配的右侧调整为一维ndarray）：

D = np.zeros((4,4))
D[0, 0:2] = np.array([1, 2]) # Works as expected.
D[0, [0,1]] = np.array([1, 2]) # Works too.

更奇怪的是，如果一个人只是索引矩阵C（而不是分配给它），似乎使用切片索引或列表只是返回相同的：

C[0, 0:2] # => matrix([[ 1.,  2.]])
C[0, [0, 1]] # => matrix([[ 1.,  2.]])

问题是，为什么这两种分配方法的行为不同？我错过了什么？

（编辑：错字）

4

2 回答 2

2

它似乎是 numpy 中的一个错误：http ://projects.scipy.org/numpy/ticket/803 。解决方案是分配一个普通的列表或 numpy 数组，而不是为选定的元素分配一个矩阵。

于 2012-09-23T08:02:24.493 回答
-1

编辑：必须意识到，虽然我写的是真实的，但D[0,0:2] = ...与（因此对于数组）不同的事实D[0,[0,1]] = ...可能是真正的不一致（并且相关）。

据我所知，也许这是为什么会发生这种情况的解释。检查这个：

D[0,[0,1]] = np.array([[1,2]])

给出同样的错误。问题是在内部切片操作发生在矩阵形状再次“固定”为 2D 之前，这是因为matrix每当创建新视图时都会出现子类，但这里没有创建视图，因为它通常是不必要的！

这意味着当您像这样设置元素时，它的行为总是如下：

C.A[0,[0,1]] = matrix([[1,2]])  # Note the C.A giving normal array view of C.

失败了，因为矩阵是二维的，但是C.A[0,[0,1]]是一维的（因为它没有被矩阵对象“固定”为至少是二维的），在这种情况下，可以说因为它只是从右手移除了一维轴侧 numpy 可能会容忍它，但只要它不容忍它，它就需要矩阵对象制作完整的自定义集合/分配运算符，这可能也不是很优雅。

但也许使用C.A等可以帮助解决这个不便。然而，一般来说，在 numpy 中最好始终使用基类数组，除非您正在进行大量矩阵乘法等（在这种情况下，如果它仅限于程序的一部分，最好只查看您的数组在它之前作为矩阵，但在其余部分使用数组）

于 2012-09-23T09:00:48.457 回答