Transposición de una matriz NumPy

Uso Python y NumPy y tengo algunos problemas con la "transposición":

import numpy as np
a = np.array([5,4])
print(a)
print(a.T)

Invocar a.Tno es transponer la matriz. Si aes, por ejemplo [[],[]], se transpone correctamente, pero necesito la transposición de [...,...,...].

Funciona exactamente como se supone que debe hacerlo. ¡La transposición de una matriz 1D sigue siendo una matriz 1D ! (Si está acostumbrado a matlab, fundamentalmente no tiene un concepto de matriz 1D. Las matrices "1D" de Matlab son 2D).

Si desea convertir su vector 1D en una matriz 2D y luego transponerlo, simplemente córtelo np.newaxis(o None, son lo mismo, newaxises más legible).

import numpy as np
a = np.array([5,4])[np.newaxis]
print(a)
print(a.T)

Sin embargo, en términos generales, nunca debe preocuparse por esto. Agregar la dimensión adicional generalmente no es lo que quieres, si solo lo haces por costumbre. Numpy transmitirá automáticamente una matriz 1D al hacer varios cálculos. Por lo general, no es necesario distinguir entre un vector de fila y un vector de columna (ninguno de los cuales son vectores . ¡Ambos son 2D!) Cuando solo quieres un vector.

Use dos pares de paréntesis en lugar de uno. Esto crea una matriz 2D, que puede transponerse, a diferencia de la matriz 1D que crea si usa un par de paréntesis.

import numpy as np    
a = np.array([[5, 4]])
a.T

Ejemplo más completo:

>>> a = [3,6,9]
>>> b = np.array(a)
>>> b.T
array([3, 6, 9])         #Here it didn't transpose because 'a' is 1 dimensional
>>> b = np.array([a])
>>> b.T
array([[3],              #Here it did transpose because a is 2 dimensional
       [6],
       [9]])

Use el shapemétodo de numpy para ver lo que está sucediendo aquí:

>>> b = np.array([10,20,30])
>>> b.shape
(3,)
>>> b = np.array([[10,20,30]])
>>> b.shape
(1, 3)

Para matrices 1D :

a = np.array([1, 2, 3, 4])
a = a.reshape((-1, 1)) # <--- THIS IS IT

print a
array([[1],
       [2],
       [3],
       [4]])

Una vez que comprenda que -1 aquí significa "tantas filas como sea necesario", creo que esta es la forma más legible de "transponer" una matriz. Si su matriz es de mayor dimensionalidad, simplemente use a.T.

Puede convertir un vector existente en una matriz envolviéndolo en un conjunto adicional de corchetes ...

from numpy import *
v=array([5,4]) ## create a numpy vector
array([v]).T ## transpose a vector into a matrix

numpy también tiene una matrixclase (ver matriz vs. matriz ) ...

matrix(v).T ## transpose a vector into a matrix

matriz 1D numpy -> matriz de columna / fila:

>>> a=np.array([1,2,4])
>>> a[:, None]    # col
array([[1],
       [2],
       [4]])
>>> a[None, :]    # row, or faster `a[None]`
array([[1, 2, 4]])

Y como dijo @ Joe-kington, se puede reemplazar Nonecon np.newaxispara facilitar la lectura.

Para 'transponer' una matriz 1d a una columna 2d, puede usar numpy.vstack:

>>> numpy.vstack(numpy.array([1,2,3]))
array([[1],
       [2],
       [3]])

También funciona para listas de vainilla:

>>> numpy.vstack([1,2,3])
array([[1],
       [2],
       [3]])

Solo puede transponer una matriz 2D. Puede usar numpy.matrixpara crear una matriz 2D. Esto lleva tres años de retraso, pero solo estoy agregando al posible conjunto de soluciones:

import numpy as np
m = np.matrix([2, 3])
m.T

en su lugar, use arr[:,None]para crear un vector de columna

La transposición de

x = [[0 1],
     [2 3]]

es

xT = [[0 2],
      [1 3]]

bueno el código es:

x = array([[0, 1],[2, 3]]);
np.transpose(x)        

Este es un enlace para más información:

http://docs.scipy.org/doc/numpy/reference/generated/numpy.transpose.html

Otra solución.... :-)

import numpy as np

a = [1,2,4]

[1, 2, 4]

b = np.array([a]).T

matriz ([[1], [2], [4]])

Solo estoy consolidando la publicación anterior, espero que ayude a otros a ahorrar algo de tiempo:

La matriz a continuación tiene (2, )dimensión, es una matriz 1-D,

b_new = np.array([2j, 3j])  

Hay dos formas de transponer una matriz 1-D:

córtelo con "np.newaxis" o ninguno.

print(b_new[np.newaxis].T.shape)
print(b_new[None].T.shape)

otra forma de escribir, lo anterior sin Toperación.

print(b_new[:, np.newaxis].shape)
print(b_new[:, None].shape)

Ajustar [] o usar np.matrix, significa agregar una nueva dimensión.!

print(np.array([b_new]).T.shape)
print(np.matrix(b_new).T.shape)

Como algunos de los comentarios mencionados anteriormente, la transposición de las matrices 1D son matrices 1D, por lo que una forma de transponer una matriz 1D sería convertir la matriz en una matriz de la siguiente manera:

np.transpose(a.reshape(len(a), 1))

El nombre de la función en numpyes column_stack .

>>>a=np.array([5,4])
>>>np.column_stack(a)
array([[5, 4]])

Hay un método no descrito en las respuestas pero descrito en la documentación del numpy.ndarray.transposemétodo:

Para una matriz 1-D esto no tiene efecto, ya que un vector transpuesto es simplemente el mismo vector. Para convertir una matriz 1-D en un vector de columna 2D, se debe agregar una dimensión adicional. np.atleast2d (a) .T logra esto, al igual que un [:, np.newaxis].

Uno puede hacer:

import numpy as np
a = np.array([5,4])
print(a)
print(np.atleast_2d(a).T)

Que (imo) es mejor que usar newaxis.

Básicamente, lo que hace la función de transposición es intercambiar la forma y los pasos de la matriz:

>>> a = np.ones((1,2,3))

>>> a.shape
(1, 2, 3)

>>> a.T.shape
(3, 2, 1)

>>> a.strides
(48, 24, 8)

>>> a.T.strides
(8, 24, 48)

En el caso de una matriz nudosa 1D (matriz de rango 1), la forma y las zancadas son tuplas de 1 elemento y no se pueden intercambiar, y la transposición de dicha matriz 1D la devuelve sin cambios. En su lugar, puede transponer un "vector fila" (matriz numpy de forma (1, n)) en un "vector columna" (matriz numpy de forma (n, 1)). Para lograr esto, primero debe convertir su matriz numpy 1D en un vector de fila y luego intercambiar la forma y las zancadas (transponerlo). A continuación se muestra una función que lo hace:

from numpy.lib.stride_tricks import as_strided

def transpose(a):
    a = np.atleast_2d(a)
    return as_strided(a, shape=a.shape[::-1], strides=a.strides[::-1])

Ejemplo:

>>> a = np.arange(3)
>>> a
array([0, 1, 2])

>>> transpose(a)
array([[0],
       [1],
       [2]])

>>> a = np.arange(1, 7).reshape(2,3)
>>> a     
array([[1, 2, 3],
       [4, 5, 6]])

>>> transpose(a)
array([[1, 4],
       [2, 5],
       [3, 6]])

Por supuesto, no tiene que hacerlo de esta manera, ya que tiene una matriz 1D y puede cambiarla directamente a (n, 1)matriz por a.reshape((-1, 1))o a[:, None]. Solo quería demostrar cómo funciona la transposición de una matriz.

La forma en que he aprendido a implementar esto de una manera compacta y legible para matrices 1-D, hasta ahora:

h = np.array([1,2,3,4,5])

v1 = np.vstack(h)
v2 = np.c_[h]

h1 = np.hstack(v1)
h2 = np.r_[v2[:,0]]

numpy.r_ y numpy.c_ traducen objetos de corte a concatenación a lo largo del primer y segundo eje, respectivamente. Por lo tanto, la división v2 [:, 0] en la transposición de la matriz vertical v2 en la matriz horizontal h2

numpy.vstack es equivalente a la concatenación a lo largo del primer eje después de que las matrices 1-D de forma (N,) se hayan reformado a (1, N). Reconstruye matrices divididas por vsplit .