问题标签 [n-dimensional]

我有一些对我的处理器来说非常密集的计算，为了加快速度，我发现我可以使用 6 维数组。

我计算出我需要大约 50GB 的内存来存储我的数组，这是不可能的，因为我只有 4GB 的 RAM。我知道如果有办法将它存储在外部存储器中，get 和 set 操作会慢很多，但考虑到我不必执行很多这些操作，而且我有 SSD，我认为它会大大提高我的程序的性能。

当我设法制作一个数组时，解决方案是在其中找到 10 个最大的元素。但是没有它，没有超级计算机我就无法进行计算。

我曾考虑使用 写入文件BufferedWriter，并存储从哪一行开始的维度，但在这种情况下，从中获取数据效率极低。

编辑：我使用的是 Ubuntu 16。

例如，我如何在 numpy 中说出 n 维矩阵的形状

这些的输出是（1,2,2）我怎么能不使用电脑说出来。谢谢你的帮助。

我正在尝试学习如何使用 python // 优化适合更高维度的numpy数据scipy。成功地使用 scipy 来适应表格的一行后y = f(x)，我尝试扩展逻辑以适应表格的椭圆z = f(x, y)；两者都如下所示。我希望这种方法可以推广到适合更高维度（即球体）的形状。

将此逻辑应用于椭圆的情况，

minimize算法viascipy没有找到最优参数；以下输出显示为print(result)：

我已经看到了这个问题的另一种解决方案，它使用最小二乘的矩阵公式，但是这个例子对我来说有点难以理解。我见过的几乎所有方法都基于发布链接中的方法。我更喜欢使用minimize，除非由于我目前不知道的原因，线性代数方法更好。

无论如何，我上面的方法可以以一种可行的方式进行调整/调整，并且可以推广到更高的维度吗？

这是一个由两部分组成的问题，非常复杂。

第一的。我想计算数据帧“ind_scores”中每个样本之间的“n”维欧几里德距离，它是数据帧“质心”中的相应组质心。

然后，我想选择最接近各自组质心的 3 个单独样本。我想将这些保存到一个新的数据框中，其中包含“单个样本名称”、“组”和“到质心的距离”的信息。

以下是数据示例：

提前谢谢了！干杯。迪翁。

我正在尝试翻译大型 4D 数组的 Matlab“interpn”插值，但 Matlab 和 Python 之间的公式差异很大。几年前这里有一个很好的问题/答案，我一直在尝试使用。我想我快到了，但显然我的网格插值器仍然没有正确制定。

我尽可能按照上面链接答案中给出的示例对我的代码示例进行建模，同时使用我实际工作的尺寸。唯一的变化是我将 rollaxis 切换为 moveaxis，因为前者已被弃用。

本质上，给定 4D 数组 skyrad0（取决于第一个代码块中定义的四个元素）以及第三个块中定义的两个常量和两个 1D 数组，我想要插值的 2D 结果。

我期待一个 4D 数组“结果”，我可以 numpy.squeeze 到我需要的 2D 答案中，但是 interpn 会产生错误：

在这个例子中我最模糊的地方是查询点网格的结构，以及将第一个维度移动到末尾并重新塑造它。这里还有更多内容，但我仍然不清楚如何将其应用于这个问题。

如果有人能在我的配方中发现明显的低效率，那将是一个奖励。我需要在许多不同的结构上运行这种类型的插值数千次——甚至扩展到 6D——所以效率很重要。

更新下面的答案非常优雅地解决了这个问题。然而，随着计算和数组变得更加复杂，另一个问题开始出现，即数组中的元素似乎不是单调增加的问题。这是在 6D 中重构的问题：

就目前而言，它会运行，但是如果将 wave 的定义更改为注释行，则会引发错误：

最后，为了回应下面的评论（并帮助提高效率），我将包含实际构建这个“rad_boa”6D 数组的 HDF5 文件（在 Matlab 中创建）的结构（上面的这个例子只使用了模拟随机大批）。实际数据库读入 Xarray 如下：

生成的 Xarray 看起来像这样：

我正在尝试使用平面阴影在 LWJGL OpenGL 中渲染 3D 棱镜。例如，我有一个索引如下的多维数据集：

我在顶点缓冲区中只有 8 个顶点，我已按上述方式对其进行了索引。有没有办法在立方体上实现平面法线着色，如下所示？如果可能的话，我不想重写我的顶点和索引缓冲区以包含重复的顶点。

我目前有一个尺寸为 40 x 3 x 3 x 5 x 1000 的 5D numpy 数组，其中尺寸分别由 axbxcxdxe 标记。

我有另一个 3 x 1000 尺寸的 2D numpy 数组，其中尺寸分别由 bxe 标记。

我希望从 2D 数组中减去 5D 数组。

我想到的一种方法是将 2D 扩展为 5D 数组（因为 2D 数组不会因其他 3 维的所有组合而改变）。我不确定我可以使用什么数组方法/numpy 函数来执行此操作。

我倾向于开始迷失 nD 数组操作。谢谢你的帮助。

我有一个在 100 维空间中有数百万个点的数据集。我需要快速检查查询点是否不在集合中任何点的一定距离内。

有没有快速的算法呢？

该算法可能有误报（比如查询靠近另一个点），但不能有误报（比如查询远离每个点，但不是）。

这里的难点是：

• 维数被诅咒了。这是一个广阔的空间，但一切都相对靠近。

• 大多数 KNN 算法专注于寻找最佳候选者，并拒绝比最佳候选者更远的所有点。在我的情况下，几乎每个查询都是“未命中”，因此最好的候选人始终无法拒绝甚至超过一半的分数。

我已阅读 zarr 文档，但无法做到这一点。我想要这样的树格式：

谢谢你。

由于我是 python 和一般编程的新手，我的老师给了我一些工作。其中一些是与 MNIST 手写数字数据库一起使用的。每个数字都是 728 个分量的向量。当我想计算每个类的质心时，问题就来了。这是 728 个维度中每个数字的平均值。如果我有两个维度，我知道我应该做类似的事情

等等......但我不知道如何用728维来做。我试过的是这样的：

但它返回<generator object <genexpr> at 0x000002ADA1818F90>而不是返回一个 728 维向量，这将是数字 0 的质心，然后是数字 1，依此类推......

编辑：感谢一个答案，我将代码修改为：

而且效果很好，非常感谢