La matrice d'indexation dans Numpy

J'était de plus en plus confuse au cours de l'élaboration d'un petit script Python impliquant des opérations matricielles, j'ai donc tiré un obus de jouer avec un jouet exemple et de développer une meilleure compréhension de la matrice d'indexation dans Numpy.

C'est ce que j'ai fait:

>>> import numpy as np
>>> A = np.matrix([1,2,3])
>>> A
matrix([[1, 2, 3]])
>>> A[0]
matrix([[1, 2, 3]])
>>> A[0][0]
matrix([[1, 2, 3]])
>>> A[0][0][0]
matrix([[1, 2, 3]])
>>> A[0][0][0][0]
matrix([[1, 2, 3]])

Comme vous pouvez l'imaginer, cela a pas m'a aidé à développer une meilleure compréhension de la matrice d'indexation dans Numpy. Ce comportement aurait du sens pour quelque chose que je décrirais comme "Un tableau de lui-même", mais je doute que quelqu'un dans son esprit droit serait choisir que comme un modèle pour les matrices dans une bibliothèque scientifique.

Ce qui est, ensuite, la logique de la sortie, j'ai obtenu? Pourquoi le premier élément d'une matrice de l'objet lui-même?

PS: je sais comment faire pour obtenir la première entrée de la matrice. Ce qui m'intéresse, c'est la logique derrière cette décision de conception.

EDIT: je ne suis pas demandant comment accéder à un élément de la matrice, ou pourquoi une ligne de matrice se comporte comme une matrice. Je vous demande une définition du comportement de la matrice lors de indexés avec un numéro unique. Il s'agit d'une action typique de tableaux, mais le comportement qui en résulte n'en est rien, comme celui que vous attendez d'un tableau. Je voudrais savoir comment cela est mis en place et quelle est la logique derrière la décision de conception.

  • La syntaxe est Un[dim1, dim2, ...]. Pour ce cas, pour obtenir le premier élément, vous feriez Un[0,0], deuxième élément de[0,1] et le troisième élément de[0,2]. C'est un 1 x 3 de la matrice.
  • Personne n'a vraiment lu le PS?
  • Le matrix classe est codé en dur pour les avoir toujours deux dimensions (lignes et colonnes). C'est préservée par tranchage et des opérations d'indexation (sauf si vous accédez à un seul élément, par exemple A[0, 0]). Par ailleurs, pour la plupart des utilisations, le ndarray classe (c'est à dire la norme tableau numpy) est préféré; recherche numpy array vs matrix de trouver beaucoup de discussions sur ce sujet.
  • quand j'ai d'abord besoin de faire de la matrice de maths dans numpy toute l'aide que j'ai pu trouver m'a dirigé vers l'utilisation ndarray. Il est beaucoup plus souple et pour chacune des choses que j'ai testé c'était plus rapide.
InformationsquelleAutor broncoAbierto | 2015-12-01
  1. 8

    Regarder la forme après l'indexation:

    In [295]: A=np.matrix([1,2,3])
In [296]: A.shape
Out[296]: (1, 3)
In [297]: A[0]
Out[297]: matrix([[1, 2, 3]])
In [298]: A[0].shape
Out[298]: (1, 3)

    La clé de ce comportement est que np.matrix est toujours en 2d. Donc, même si vous sélectionnez une ligne (A[0,:]), le résultat est toujours en 2d, la forme (1,3). De sorte que vous pouvez prendre autant de [0] que vous le souhaitez, et rien de nouveau ne se passe.

    - Ce que vous essayez d'accomplir avec A[0][0]? Le même que A[0,0]?
    Pour la base np.ndarray classe ils sont équivalents.

    Noter que Python interprète traduit de l'indexation de __getitem__ appels.

     A.__getitem__(0).__getitem__(0)
 A.__getitem__((0,0))

    [0][0] est de 2 opérations d'indexation, pas un seul. Donc l'effet de la deuxième [0] dépend de ce que le premier produit.

    Pour un tableau A[0,0] est équivalent à A[0,:][0]. Mais pour une matrice, ce que vous devez faire:

    In [299]: A[0,:][:,0]
Out[299]: matrix([[1]])  # still 2d

    =============================

    "Un tableau de lui-même", mais je doute que quelqu'un dans son esprit droit serait choisir que comme un modèle pour les matrices dans une bibliothèque scientifique.

    Ce qui est, ensuite, la logique de la sortie, j'ai obtenu? Pourquoi le premier élément d'une matrice de l'objet lui-même?

    En outre, Une[0,:] n'est pas la même chose qu'Un[0]

    À la lumière de ces commentaires, permettez-moi de suggérer quelques précisions.

    A[0] ne signifie pas "de retour le 1er élément". Cela signifie sélectionner le 1er axe. Pour un tableau 1d cela signifie que le 1er élément. Pour un tableau 2d, il signifie la 1ère ligne. Pour ndarray ce serait un tableau 1d, mais pour un matrix c'est un autre matrix. Donc pour un tableau 2d ou de la matrice, A[i,:] est la même chose que A[i].

    A[0] n'est pas juste de retour lui-même. Il retourne une nouvelle matrice. Différents id:

    In [303]: id(A)
Out[303]: 2994367932
In [304]: id(A[0])
Out[304]: 2994532108

    Il peut avoir les mêmes données, la forme et le progrès, mais c'est un nouvel objet. Il est tout aussi unique que la ith ligne d'un nombre de lignes de la matrice.

    Plus de l'unique matrix activité est définie dans: numpy/matrixlib/defmatrix.py. J'allais suggérer de regarder la matrix.__getitem__ méthode, mais la plupart de l'action est effectuée dans np.ndarray.__getitem__.

    np.matrix classe a été ajoutée à numpy comme une commodité pour les old-school MATLAB programmeurs. numpy les tableaux peuvent avoir presque n'importe quel nombre de dimensions, 0, 1, .... MATLAB a permis seulement 2, si un communiqué autour de 2000 généralisée à 2 ou plus.

    • Je ne vois pas comment ce comportement est une conséquence d'une matrice étant toujours en 2d. En outre, Une[0,:] n'est pas le même que A[0] (même si elles produisent le même résultat dans ce cas), donc le fait qu'une ligne de matrice est une matrice dans les yeux de numpy n'explique pas le comportement que j'ai posté. Il est intéressant de noter, cependant, que l'indexation se traduit par getitem. Voir la mise en œuvre serait peut-être jeter quelque lumière sur ce point. Ce que je ne comprends pas est pourquoi mettre en place une matrice d'actions dans une classe, si son comportement ne va pas être que d'un tableau. L'indexation d'un tableau retourne autre chose que le tableau lui-même.
    • Faire mes retouches rendre les choses plus clair?
    InformationsquelleAutor hpaulj
  2. 1

    Imaginez que vous avez le suivant

    >> A = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

    Si vous voulez obtenir la deuxième colonne de la valeur, utilisez la commande suivante:

    >> A.T[1]
array([ 2,  6, 10])
    InformationsquelleAutor Mona Jalal