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 和 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]])