Tengo dos matrices unidimensionales simples en NumPy . Debería poder concatenarlos usando numpy.concatenate . Pero recibo este error para el siguiente código:
TypeError: solo las matrices de longitud 1 se pueden convertir a escalares de Python
import numpy
a = numpy.array([1, 2, 3])
b = numpy.array([5, 6])
numpy.concatenate(a, b)
¿Por qué?
Respuestas:
La línea debe ser:
numpy.concatenate([a,b])Las matrices que desea concatenar deben pasarse como una secuencia, no como argumentos separados.
De la documentación de NumPy :
numpy.concatenate((a1, a2, ...), axis=0)Unir una secuencia de matrices juntas.
Intentaba interpretar su bcomo el parámetro del eje, por lo que se quejó de que no podía convertirlo en un escalar.
numpy.concatenate(a1, a2, a3)o numpy.concatenate(*[a1, a2, a3])si lo prefiere. Python es lo suficientemente fluido como para que la diferencia termine sintiéndose más cosmética que sustancial, pero es bueno cuando la API es consistente (por ejemplo, si todas las funciones numpy que toman listas de argumentos de longitud variable requieren secuencias explícitas).
def concatx(*sequences, **kwargs)). No es ideal, ya que parece que no puede nombrar los argumentos de palabras clave explícitamente en la firma de esta manera, pero hay soluciones alternativas.
Hay varias posibilidades para concatenar matrices 1D, por ejemplo,
numpy.r_[a, a],
numpy.stack([a, a]).reshape(-1),
numpy.hstack([a, a]),
numpy.concatenate([a, a])
Todas esas opciones son igualmente rápidas para matrices grandes; para los pequeños, concatenatetiene una ligera ventaja:
La trama se creó con perfplot :
import numpy
import perfplot
perfplot.show(
setup=lambda n: numpy.random.rand(n),
kernels=[
lambda a: numpy.r_[a, a],
lambda a: numpy.stack([a, a]).reshape(-1),
lambda a: numpy.hstack([a, a]),
lambda a: numpy.concatenate([a, a]),
],
labels=["r_", "stack+reshape", "hstack", "concatenate"],
n_range=[2 ** k for k in range(19)],
xlabel="len(a)",
)
np.concatenate. Simplemente dan masajes a la lista de entrada de varias maneras antes de la mano. np.stackpor ejemplo, agrega una dimensión adicional a todas las matrices de entrada. Mira su código fuente. Solo concatenatese compila.
np.concatenatehace copias de las entradas. Este costo de memoria y tiempo supera el tiempo dedicado a "masajear" la entrada.
Una alternativa es usar la forma abreviada de "concatenar" que es "r _ [...]" o "c _ [...]" como se muestra en el código de ejemplo a continuación (ver http://wiki.scipy.org / NumPy_for_Matlab_Users para obtener información adicional):
%pylab
vector_a = r_[0.:10.] #short form of "arange"
vector_b = array([1,1,1,1])
vector_c = r_[vector_a,vector_b]
print vector_a
print vector_b
print vector_c, '\n\n'
a = ones((3,4))*4
print a, '\n'
c = array([1,1,1])
b = c_[a,c]
print b, '\n\n'
a = ones((4,3))*4
print a, '\n'
c = array([[1,1,1]])
b = r_[a,c]
print b
print type(vector_b)
Lo que resulta en:
[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[1 1 1 1]
[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 1. 1. 1. 1.]
[[ 4. 4. 4. 4.]
[ 4. 4. 4. 4.]
[ 4. 4. 4. 4.]]
[[ 4. 4. 4. 4. 1.]
[ 4. 4. 4. 4. 1.]
[ 4. 4. 4. 4. 1.]]
[[ 4. 4. 4.]
[ 4. 4. 4.]
[ 4. 4. 4.]
[ 4. 4. 4.]]
[[ 4. 4. 4.]
[ 4. 4. 4.]
[ 4. 4. 4.]
[ 4. 4. 4.]
[ 1. 1. 1.]]
vector_b = [1,1,1,1] #short form of "array", esto simplemente no es cierto. vector_b será un tipo de lista Python estándar. Sin embargo, Numpy es bastante bueno para aceptar secuencias en lugar de forzar que todas las entradas sean tipos numpy.array.
Aquí hay más enfoques para hacer esto usando numpy.ravel(), numpy.array()utilizando el hecho de que las matrices 1D pueden descomprimirse en elementos simples:
# we'll utilize the concept of unpacking
In [15]: (*a, *b)
Out[15]: (1, 2, 3, 5, 6)
# using `numpy.ravel()`
In [14]: np.ravel((*a, *b))
Out[14]: array([1, 2, 3, 5, 6])
# wrap the unpacked elements in `numpy.array()`
In [16]: np.array((*a, *b))
Out[16]: array([1, 2, 3, 5, 6])
Algunos datos más de los documentos numpy :
Con sintaxis como numpy.concatenate((a1, a2, ...), axis=0, out=None)
axis = 0 para concatenación en fila axis = 1 para concatenación en columna
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
# Appending below last row
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])
# Appending after last column
>>> np.concatenate((a, b.T), axis=1) # Notice the transpose
array([[1, 2, 5],
[3, 4, 6]])
# Flattening the final array
>>> np.concatenate((a, b), axis=None)
array([1, 2, 3, 4, 5, 6])
Espero que ayude !
np.concatenat(..., axis). Si quieres apilarlos verticalmente, úsalosnp.vstack. Si desea apilarlos (en múltiples matrices) horizontalmente, usenp.hstack. (Si desea apilarlos en profundidad, es decir, la tercera dimensión, usenp.dstack). Tenga en cuenta que estos últimos son similares a los pandaspd.concat