i=np.arange(1,4,dtype=np.int)
a=np.arange(9).reshape(3,3)
和
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]])
现在我想对数组进行矢量化以将它们一起打印出来。我试试
a[:,0:i]
要么
a[:,0:i[:,None]]
它给出了TypeError:只有整数标量数组可以转换为标量索引
简短回答:
[a[:,:j] for j in i]
你要做的不是一个可矢量化的操作。 Wikipedia defines矢量化作为单个数组上的批处理操作,而不是单个标量:
在计算机科学中,阵列编程语言(也称为向量或多维语言)概括了对标量的操作,以透明地应用于向量,矩阵和高维数组。
...
...对整个数组进行操作的操作可称为向量化操作...
在CPU级优化方面,definition of vectorization是:
“矢量化”(简化)是重写循环的过程,因此它不是处理数组的单个元素N次,而是同时处理(比如说)阵列的4个元素N / 4次。
您的案例的问题是每个单独操作的结果具有不同的形状:(3, 1)
,(3, 2)
和(3, 3)
。它们不能形成单个矢量化操作的输出,因为输出必须是一个连续的数组。当然,它可以包含(3, 1)
,(3, 2)
和(3, 3)
数组(作为视图),但这就是你的原始数组a
已经做的。
你真正想要的只是一个计算所有这些的表达式:
[a[:,:j] for j in i]
...但它在性能优化方面没有矢量化。在引擎盖下,它是普通的旧for
循环,逐个计算每个项目。
尝试以下操作将阵列更改为1D
a.reshape((1, -1))
这可能与此特定问题无关,但我遇到了类似的问题,我在Python列表上使用了NumPy索引并得到了相同的确切错误消息:
# 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
事实证明,在我应用多维NumPy索引之前,我需要将qdxswpoi(一维Python列表)转换为NumPy数组。以下代码有效:
weights
您可以使用numpy.ravel从n维数组返回一个展平的数组:
# correct
weights = np.array(list(range(1, 129)) + list(range(128, 0, -1)))
mapped_image = weights[image[:, :, band]] # image.shape = [800, 600, 3]
我有一个类似的问题,并使用列表解决它...不知道这是否有帮助
>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> a.ravel()
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
当我们使用向量代替标量时出现这个问题,例如在for循环中,范围应该是标量,如果你在那个地方给出了一个向量,你会得到错误。因此,要避免此问题,请使用您使用的向量的长度