在多个维度有效地拆开包装与numpy的

A = np.angle(np.random.uniform(-1,1,[10,10,10]) + 1j*np.random.uniform(-1,1,[10,10,10]))

我现在想解开这个阵列中的所有尺寸。在上述情况下，3D，我会做

A_unwrapped = np.unwrap(np.unwrap(np.unwrap(A,axis=0), axis=1),axis=2)

虽然这仍然是在3D的情况下是可行的，在更高维度的情况下，这种做法在我看来，有些麻烦。有没有更有效的方法来做到这一点与numpy？

2017-07-19 Ethunxxx

'np.apply_over_axes（np.unwrap，A，（0，1，2））''也许？ –

@cᴏʟᴅsᴘᴇᴇᴅ这也是一个很好的！人们可以使用'np.arange（ndim）'指定轴。你想发布它作为答案吗？ – Ethunxxx

呃，当然。完成。 –

你可以使用np.apply_over_axes，这应该又一个数组的每个维度应用功能：

np.apply_over_axes(np.unwrap, A, np.arange(len(A.shape)))

我相信这应该这样做。

2017-07-19 09:33:21

我期望所有这些解决方案都具有相同的速度，因为它们都调用'unwrap''ndim'次。 – hpaulj

@hpaulj是的...在这一点上，它只是你想要解包代码需要多少行代码。 –

我不确定是否有办法绕过每个轴执行unwrap操作。显然，如果它对单个元素采取行动，你可以使用矢量化，但在这里似乎并不是一种选择。你可以做什么，这将至少使代码清洁是创造超过尺寸的循环：

for dim in range(len(A.shape)): 
    A = np.unwrap(A, axis=dim)

你还可以重复应用一个函数，它在其尺寸为参数进行操作：

reduce(lambda A, axis: np.unwrap(A, axis=axis), range(len(A.shape)), A)

请记住，在Python 3中需要从functools导入reduce。

2017-07-19 09:20:19

回答