tableau numpy TypeError: entiers scalaires tableaux peuvent être convertis à un scalaire index

i=np.arange(1,4,dtype=np.int)
a=np.arange(9).reshape(3,3)

et

a
>>>array([[0, 1, 2],
          [3, 4, 5],
          [6, 7, 8]])
a[:,0:1]
>>>array([[0],
          [3],
          [6]])
a[:,0:2]
>>>array([[0, 1],
          [3, 4],
          [6, 7]])
a[:,0:3]
>>>array([[0, 1, 2],
          [3, 4, 5],
          [6, 7, 8]])

Maintenant je veux vectoriser le tableau à imprimer l'ensemble. J'essaie

a[:,0:i]

ou

a[:,0:i[:,None]]

Il donne TypeError: entiers scalaires tableaux peuvent être convertis à un scalaire indice

Voir ma question connexe pour une autre cause de cette erreur.

OriginalL'auteur kinder chen | 2017-10-24

  1. 15

    Réponse courte:

    [a[:,:j] for j in i]

    Ce que vous essayez de faire est de pas un vectorizable opération. Wikipedia définit vectorisation comme une opération de traitement sur un seul tableau, plutôt que sur la personne scalaires:

    En sciences de l'informatique, de la matrice de langages de programmation (aussi connu comme vecteur ou multidimensionnelles langues) généraliser les opérations sur les scalaires à appliquer de façon transparente pour les vecteurs, les matrices, et de plus grande dimensions des tableaux.

    ...

    ... une opération qui fonctionne sur des tableaux entiers peut être appelé un vectorisé opération...

    En termes de CPU au niveau de l'optimisation, de la définition de la vectorisation est:

    "Vectorisation" (simplifié) est le processus de réécriture d'une boucle de sorte qu'au lieu de traitement d'un seul élément d'un ensemble à N fois, qu'il traite (dire) les 4 éléments de la matrice simultanément N/4 fois.

    Le problème avec votre cas est que le résultat de chaque opération a un forme différente: (3, 1), (3, 2) et (3, 3). Ils ne peuvent pas former la sortie d'un seul vectorisé opération, parce que la sortie doit être contigu tableau. Bien sûr, il peut contenir (3, 1), (3, 2) et (3, 3) tableaux à l'intérieur d'elle (comme points de vue), mais c'est ce que le tableau d'origine a déjà fait.

    Ce que vous êtes vraiment à la recherche pour juste une seule expression qui calcule tous:

    [a[:,:j] for j in i]

    ... mais c'est pas vectorisé dans le sens d'une optimisation des performances. Sous le capot, c'est un bon vieux for boucle qui calcule à chaque élément un par un.

    pourriez-vous s'il vous plaît aidez-moi ici : stackoverflow.com/questions/48513824/...
    Ne peux pas vous dire ho je suis reconnaissant, je vous remercie. Sauvé mes jours

    OriginalL'auteur Maxim

  2. 6

    essayez la procédure suivante pour modifier votre tableau 1D

    a.reshape((1, -1))
    stackoverflow.com/questions/48513824/... j'ai même erreur comment puis-je m'adresse à elle.

    OriginalL'auteur WIND.Knight

  3. 2

    Vous pouvez utiliser numpy.ravel pour revenir aplatie tableau de n-dimensions tableau:

    >>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> a.ravel()
array([0, 1, 2, 3, 4, 5, 6, 7, 8])

    OriginalL'auteur Andre Araujo

  4. 1

    Cela pourrait être sans rapport avec ce problème, mais j'ai rencontré un problème similaire où j'ai utilisé de NumPy indexation sur une liste Python et j'ai obtenu le même message d'erreur exact:

    # incorrect
weights = list(range(1, 129)) + list(range(128, 0, -1))
mapped_image = weights[image[:, :, band] # image.shape = [800, 600, 3]
# TypeError: only integer scalar arrays can be converted to a scalar index

    Il s'avère que j'ai besoin de tourner weights, 1D liste Python, dans un tableau NumPy avant que je puisse appliquer multi-dimensionnelle NumPy d'indexation. Le code ci-dessous fonctionne:

    # correct
weights = np.array(list(range(1, 129)) + list(range(128, 0, -1)))
mapped_image = weights[image[:, :, band] # image.shape = [800, 600, 3]

    OriginalL'auteur Zhanwen Chen