Comment aplatir uniquement certaines dimensions d'un tableau numpy

128

Existe-t-il un moyen rapide de "sous-aplatir" ou d'aplatir uniquement certaines des premières dimensions d'un tableau numpy?

Par exemple, étant donné un tableau numpy de dimensions (50,100,25), les dimensions résultantes seraient(5000,25)

python numpy flatten

— Curieuse
source

1

Cela pourrait aider stackoverflow.com/questions/13990465/3d-numpy-array-to-2d

— Ankur Ankan

Vous avez besoin d'un cours de recyclage sur le découpage des tableaux numpy ndarray. Également connue sous le nom d'indexation de tableau multidimensionnel, voir: docs.scipy.org/doc/numpy-1.13.0/reference/arrays.indexing.html Array tranche votre ndarray à l'aide de crochets et utilisez le séparateur virgule pour séparer la quantité de chaque dimension que vous voulez. Cela ressemblera à quelque chose comme (pas exactement) ceci: your_array[50:100, 7, :]qui aplatit l'objet 3D en 2D, en utilisant uniquement la tranche numéro 7 pour la 2ème dimension.

— Eric Leschinski

129

Jetez un œil à numpy.reshape .

>>> arr = numpy.zeros((50,100,25))
>>> arr.shape
# (50, 100, 25)

>>> new_arr = arr.reshape(5000,25)
>>> new_arr.shape   
# (5000, 25)

# One shape dimension can be -1. 
# In this case, the value is inferred from 
# the length of the array and remaining dimensions.
>>> another_arr = arr.reshape(-1, arr.shape[-1])
>>> another_arr.shape
# (5000, 25)

— Alexandre
source

81

Une légère généralisation à la réponse d'Alexandre - np.reshape peut prendre -1 comme argument, ce qui signifie "taille totale du tableau divisée par le produit de toutes les autres dimensions répertoriées":

par exemple pour aplatir tout sauf la dernière dimension:

>>> arr = numpy.zeros((50,100,25))
>>> new_arr = arr.reshape(-1, arr.shape[-1])
>>> new_arr.shape
# (5000, 25)

— Peter
source

33

Une légère généralisation à la réponse de Peter - vous pouvez spécifier une plage sur la forme du tableau d'origine si vous voulez aller au-delà des tableaux en trois dimensions.

par exemple pour aplatir toutes les dimensions sauf les deux dernières :

arr = numpy.zeros((3, 4, 5, 6))
new_arr = arr.reshape(-1, *arr.shape[-2:])
new_arr.shape
# (12, 5, 6)

EDIT: Une légère généralisation à ma réponse précédente - vous pouvez, bien sûr, également spécifier une plage au début de la refonte:

arr = numpy.zeros((3, 4, 5, 6, 7, 8))
new_arr = arr.reshape(*arr.shape[:2], -1, *arr.shape[-2:])
new_arr.shape
# (3, 4, 30, 7, 8)

— KeithWM
source

2

Cela fait déjà plus de deux ans ... Il faut encore une petite généralisation! ;)

— Lith

1

Une approche alternative consiste à utiliser numpy.resize()comme dans:

In [37]: shp = (50,100,25)
In [38]: arr = np.random.random_sample(shp)
In [45]: resized_arr = np.resize(arr, (np.prod(shp[:2]), shp[-1]))
In [46]: resized_arr.shape
Out[46]: (5000, 25)

# sanity check with other solutions
In [47]: resized = np.reshape(arr, (-1, shp[-1]))
In [48]: np.allclose(resized_arr, resized)
Out[48]: True

— kmario23
source