当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python numpy block用法及代码示例


本文简要介绍 python 语言中 numpy.block 的用法。

用法:

numpy.block(arrays)

从嵌套的块列表中组装 nd-array。

最内层列表中的块沿着最后一个维度 (-1) 连接(参见 concatenate ),然后这些块沿着 second-last 维度 (-2) 连接,依此类推,直到到达最外层列表。

块可以是任何维度,但不会使用正常规则进行广播。相反,插入大小为 1 的引导轴,以使所有块的 block.ndim 相同。这主要用于处理标量,这意味着像 np.block([v, 1]) 这样的代码是有效的,其中 v.ndim == 1

当嵌套列表有两层深度时,这允许从它们的组件构造块矩阵。

参数

arrays 数组 或标量的嵌套列表(但不是元组)

如果传递单个 ndarray 或标量(深度为 0 的嵌套列表),则返回未修改(且未复制)。

元素形状必须沿适当的轴匹配(不广播),但前导 1 将根据需要添加到形状之前以使尺寸匹配。

返回

block_array ndarray

从给定块组装的数组。

输出的维数等于以下各项中的最大值: * 所有输入的维数 * 输入列表嵌套的深度

抛出

ValueError
  • 如果列表深度不匹配 - 例如,[[a, b], c] 是非法的,应拼写为 [[a, b], [c]]

  • 如果列表为空 - 例如,[[a, b], []]

注意

当仅使用标量调用时,np.block 等效于 ndarray 调用。所以 np.block([[1, 2], [3, 4]]) 等价于 np.array([[1, 2], [3, 4]])

此函数不强制块位于固定网格上。 np.block([[a, b], [c, d]]) 不限于以下形式的数组:

AAAbb
AAAbb
cccDD

但也允许生产,对于一些 a, b, c, d

AAAbb
AAAbb
cDDDD

由于连接首先发生在最后一个轴上,block _not_ 能够直接产生以下内容:

AAAbb
cccbb
cccDD

Matlab 的“square bracket stacking”,[A, B, ...; p, q, ...],等价于np.block([[A, B, ...], [p, q, ...]])

例子

该函数最常见的用途是构建块矩阵

>>> A = np.eye(2) * 2
>>> B = np.eye(3) * 3
>>> np.block([
...     [A,               np.zeros((2, 3))],
...     [np.ones((3, 2)), B               ]
... ])
array([[2., 0., 0., 0., 0.],
       [0., 2., 0., 0., 0.],
       [1., 1., 3., 0., 0.],
       [1., 1., 0., 3., 0.],
       [1., 1., 0., 0., 3.]])

对于深度为 1 的列表,block 可以用作 hstack

>>> np.block([1, 2, 3])              # hstack([1, 2, 3])
array([1, 2, 3])
>>> a = np.array([1, 2, 3])
>>> b = np.array([4, 5, 6])
>>> np.block([a, b, 10])             # hstack([a, b, 10])
array([ 1,  2,  3,  4,  5,  6, 10])
>>> A = np.ones((2, 2), int)
>>> B = 2 * A
>>> np.block([A, B])                 # hstack([A, B])
array([[1, 1, 2, 2],
       [1, 1, 2, 2]])

对于深度为 2 的列表,可以使用 block 代替 vstack

>>> a = np.array([1, 2, 3])
>>> b = np.array([4, 5, 6])
>>> np.block([[a], [b]])             # vstack([a, b])
array([[1, 2, 3],
       [4, 5, 6]])
>>> A = np.ones((2, 2), int)
>>> B = 2 * A
>>> np.block([[A], [B]])             # vstack([A, B])
array([[1, 1],
       [1, 1],
       [2, 2],
       [2, 2]])

它也可以用在 atleast_1d atleast_2d 的地方

>>> a = np.array(0)
>>> b = np.array([1])
>>> np.block([a])                    # atleast_1d(a)
array([0])
>>> np.block([b])                    # atleast_1d(b)
array([1])
>>> np.block([[a]])                  # atleast_2d(a)
array([[0]])
>>> np.block([[b]])                  # atleast_2d(b)
array([[1]])

相关用法


注:本文由纯净天空筛选整理自numpy.org大神的英文原创作品 numpy.block。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。