Comment aplatir seulement certaines dimensions d'un tableau numpy

Question

Existe-t-il un moyen rapide de "sous aplatir" ou d'aplatir seulement certaines des premières dimensions d'un tableau numpy ?

Par exemple, étant donné un tableau numpy de dimensions (50,100,25) les dimensions résultantes seront les suivantes (5000,25)

Answer 1

Jetez un coup d'œil à numpy.reshape .

>>> arr = numpy.zeros((50,100,25))
>>> arr.shape
# (50, 100, 25)

>>> new_arr = arr.reshape(5000,25)
>>> new_arr.shape   
# (5000, 25)

# One shape dimension can be -1. 
# In this case, the value is inferred from 
# the length of the array and remaining dimensions.
>>> another_arr = arr.reshape(-1, arr.shape[-1])
>>> another_arr.shape
# (5000, 25)

Answer 2

Une légère généralisation de la réponse d'Alexander - np.reshape peut prendre -1 comme argument, ce qui signifie "taille totale du tableau divisée par le produit de toutes les autres dimensions listées" :

Par exemple, pour aplatir toutes les dimensions sauf la dernière :

>>> arr = numpy.zeros((50,100,25))
>>> new_arr = arr.reshape(-1, arr.shape[-1])
>>> new_arr.shape
# (5000, 25)

Answer 3

Une légère généralisation de la réponse de Peter - vous pouvez spécifier une plage sur la forme du tableau original si vous voulez aller au-delà des tableaux à trois dimensions.

par exemple, pour aplatir tout sauf le dernier deux dimensions :

arr = numpy.zeros((3, 4, 5, 6))
new_arr = arr.reshape(-1, *arr.shape[-2:])
new_arr.shape
# (12, 5, 6)

EDIT : Une légère généralisation de ma réponse précédente - vous pouvez, bien sûr, également spécifier une plage au début de la reshape :

arr = numpy.zeros((3, 4, 5, 6, 7, 8))
new_arr = arr.reshape(*arr.shape[:2], -1, *arr.shape[-2:])
new_arr.shape
# (3, 4, 30, 7, 8)

Answer 4

Une autre approche consiste à utiliser numpy.resize() comme dans :

In [37]: shp = (50,100,25)
In [38]: arr = np.random.random_sample(shp)
In [45]: resized_arr = np.resize(arr, (np.prod(shp[:2]), shp[-1]))
In [46]: resized_arr.shape
Out[46]: (5000, 25)

# sanity check with other solutions
In [47]: resized = np.reshape(arr, (-1, shp[-1]))
In [48]: np.allclose(resized_arr, resized)
Out[48]: True

Answer 5

numpy.vstack est parfait pour cette situation

import numpy as np
arr = np.ones((50,100,25))
np.vstack(arr).shape
> (5000, 25)

Je préfère utiliser stack , vstack o hstack sur reshape parce que reshape se contente de balayer les données et semble les forcer à prendre la forme désirée. Cela peut être problématique si vous voulez, par exemple, prendre des moyennes de colonnes.

Voici une illustration de ce que je veux dire. Supposons que nous ayons le tableau suivant

>>> arr.shape
(2, 3, 4)
>>> arr 
array([[[1, 2, 3, 4],
        [1, 2, 3, 4],
        [1, 2, 3, 4]],

       [[7, 7, 7, 7],
        [7, 7, 7, 7],
        [7, 7, 7, 7]]])

Nous appliquons les deux méthodes pour obtenir un tableau de forme (3,8)

>>> arr.reshape((3,8)).shape
(3, 8)
>>> np.hstack(arr).shape 
(3, 8)

Cependant, si nous examinons la manière dont ils ont été remodelés dans chaque cas, la hstack nous permettrait de prendre des sommes de colonnes que nous aurions également pu calculer à partir du tableau original. Avec reshape, ce n'est pas possible.

>>> arr.reshape((3,8))
array([[1, 2, 3, 4, 1, 2, 3, 4],
       [1, 2, 3, 4, 7, 7, 7, 7],
       [7, 7, 7, 7, 7, 7, 7, 7]])
>>> np.hstack(arr)
array([[1, 2, 3, 4, 7, 7, 7, 7],
       [1, 2, 3, 4, 7, 7, 7, 7],
       [1, 2, 3, 4, 7, 7, 7, 7]])