Concaténation de deux tableaux NumPy unidimensionnels

Question

J'ai deux tableaux unidimensionnels simples dans l'application NumPy . Je devrais être capable de les concaténer en utilisant numpy.concatenate . Mais j'obtiens cette erreur pour le code ci-dessous :

TypeError : seuls les tableaux de longueur 1 peuvent être convertis en scalaires Python

Code

import numpy
a = numpy.array([1, 2, 3])
b = numpy.array([5, 6])
numpy.concatenate(a, b)

Pourquoi ?

Answer 1

La ligne devrait être :

numpy.concatenate([a,b])

Les tableaux que vous voulez concaténer doivent être passés en tant que séquence, et non comme des arguments séparés.

Desde el Documentation NumPy :

numpy.concatenate((a1, a2, ...), axis=0)

Joindre une séquence de tableaux ensemble.

Il essayait d'interpréter votre b comme paramètre d'axe, c'est pourquoi il s'est plaint de ne pas pouvoir le convertir en scalaire.

Answer 2

Il existe plusieurs possibilités pour concaténer des tableaux 1D, par exemple,

numpy.r_[a, a],
numpy.stack([a, a]).reshape(-1),
numpy.hstack([a, a]),
numpy.concatenate([a, a])

Toutes ces options sont aussi rapides pour les grandes matrices que pour les petites, concatenate a un léger bord :

La parcelle a été créée avec 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)",
)

Answer 3

Le premier paramètre de concatenate devrait lui-même être un séquence de tableaux pour concaténer :

numpy.concatenate((a,b)) # Note the extra parentheses.

Answer 4

Une alternative est d'utiliser la forme courte de "concatenate" qui est soit "r_[...]" soit "c_[...]" comme indiqué dans l'exemple de code ci-dessous (voir http://wiki.scipy.org/NumPy_for_Matlab_Users pour de plus amples informations) :

%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)

Ce qui a pour conséquence :

[ 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.]]

Answer 5

Voici d'autres approches pour y parvenir en utilisant numpy.ravel() , numpy.array() en utilisant le fait que les tableaux 1D peuvent être décomposés en éléments 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])