numpy - 将np.arrays自动隐式转换为列表

Question

我想为其他numpy.array's做一个numpy.array，以进行蒙特卡洛模拟。我想获取数组的元素（另一个1d数组）并在其上执行一些函数，该函数返回该数组的子部分，然后重新分配它。 最初所有阵列长度相同这似乎导致问题。

我想做例如：

c1 = np.array([np.array(xi) for xi in [[1,2],[1],[1,3]]]) 
c1[2] = np.array([5]) 

的正常工作，并提供：

array([array([1, 2]), array([1]), array([5])], dtype=object) 

，我也得到相同类型的结构时，我做了改造这让所有的子阵列相同的长度。

c2 = np.array([np.array(xi) for xi in [[1,2],[1],[1,3]]]) 
c2[1] = np.array([4,5]) 

给

array([array([1, 2]), array([4, 5]), array([1, 3])], dtype=object). 

相反会发生什么是：例如

当我开始所有阵列长度相同时，它们将从np.arrays转换为lists。

c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]]) 

这给

array([[1, 2], [1, 2], [1, 4]]). 

现在，如果我尝试调整列表中的一个的长度

c3[1] = np.array([5]) 

我得到广播

array([[1, 2], [5, 5], [1, 4]]) 

的时候，而不是我通缉

array([array([1, 2]), array([5]), array([1, 4])]) 

性能问题：

这是所有蒙特卡洛模拟，通常我期待处理大约10000个子阵列，其中每个子阵列的阵列大约1'000个元素的阵列（浮标）。我一直在使用numpy，因为它的随机数生成速度非常快，而且它对矢量化函数有很好的性能，特别是我想对这些最终执行某种累积和（np.cumsum）以及其他一些更深奥的函数。我能够通过列表完成这类事情，但花费了大约20倍的时间，并且希望尽可能优化。

很多感谢。

Answer 1

numpy不允许您更改np的np.arrays的形状。数组：

>>> c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]]) 
>>> c4 = np.array([c3[:1],np.array([5]), c3[2:]]) 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
ValueError: could not broadcast input array from shape (2) into shape (1) 

你可以做的是使用dtype=np.ndarry为np.empty：

>>> ourList = [[1,2],[1,2],[1,4]] 
>>> c3 = np.empty(len(ourList), dtype=np.ndarray) 
>>> for i in xrange(len(ourList)): 
>>>  c3[i] = np.array(outList[i]) 
>>> c3 
array([array([1, 2]), array([1, 2]), array([1, 4])], dtype=object) 
>>> c3[1] = np.array([5]) 
>>> c3 
array([array([1, 2]), array([5]), array([1, 4])], dtype=object) 

这是你在找什么？

您可能希望只是把零或一些巨大的正/负，这将不会影响你的模拟号码：

>>> c3 = np.array([np.array(xi) for xi in [[1,2],[1,2],[1,4]]]) 
>>> c3[1] = np.array([5]) 
>>> c3 
array([[1, 2], 
     [5, 5], 
     [1, 4]]) 
>>> c3[1][1] = -9999999 
>>> c3 
array([[  1,  2], 
     [  5, -9999999], 
     [  1,  4]])