Numpy矩阵到数组答案

【问题标题】：Numpy matrix to arrayNumpy矩阵到数组
【发布时间】：2011-03-21 05:17:23
【问题描述】：

我正在使用 numpy.我有一个 1 列 N 行的矩阵，我想从 N 个元素中获取一个数组。

例如，如果我有M = matrix([[1], [2], [3], [4]])，我想获得A = array([1,2,3,4])。

为了实现它，我使用A = np.array(M.T)[0]。有谁知道获得相同结果的更优雅的方法？

谢谢！

【问题讨论】：

Ivnerse 问题：convert a 2D numpy array to a 2D numpy matrix

标签： python arrays matrix numpy

【解决方案1】：

如果你想要一些更易读的东西，你可以这样做：

A = np.squeeze(np.asarray(M))

同样地，您也可以这样做：A = np.asarray(M).reshape(-1)，但这不太容易阅读。

【讨论】：

对我来说有点咆哮......为什么 numpy 将数组和矩阵作为单独的实体。恕我直言，这太不合情理了。感谢@Joe 的提示。
@Naijaba - 就其价值而言，矩阵类已有效（但未正式）折旧。它主要用于历史目的。删除 numpy.matrix 是一个有争议的问题，但 numpy 开发人员非常同意你的观点，即两者兼有是不合 Python 的，而且出于各种原因很烦人。然而，大量使用 matrix 的旧的、未维护的“野外”代码使其难以完全删除。
更不用说，真正的矩阵乘法只是在 Numpy 1.10 中为数组添加，并且基本上仍处于测试阶段。这意味着很多人（包括我自己）仍然必须使用矩阵而不是数组来完成我们想做的事情。 docs.scipy.org/doc/numpy/reference/generated/numpy.matmul.html
稀疏矩阵是内存高效机器学习的基础（例如，sklearn）。事实上，scipy 中有不同的sparse matrix 类型，它们允许通过行或列进行有效访问。我想这可能是合并矩阵和数组概念的问题。也就是说，我想知道是否也可以引入 sparse array 类型以及是否有任何计划这样做。有什么线索吗？
我认为 .flatten() 和 .squeeze() 一样有效，只要你最终想要一个一维数组。

【解决方案2】：

或者你可以试着避免一些临时工

A = M.view(np.ndarray)
A.shape = -1

【讨论】：

【解决方案3】：

A, = np.array(M.T)

这取决于我想你所说的优雅是什么意思，但这就是我会做的

【讨论】：

【解决方案4】：

您可以尝试以下变体：

result=np.array(M).flatten()

【讨论】：

【解决方案5】：

result = M.A1

https://numpy.org/doc/stable/reference/generated/numpy.matrix.A1.html

matrix.A1
1-d base array

【讨论】：

我认为这个答案比公认的答案，性能方面和简单性要好
M.A1 很棒，与“ravel”和“flatten”的实现相同，在这种情况下不会导致任何数据副本 A 因此仍然链接到 M 如果 A 和/或可能会导致意外M 是可变的。 M.flat 真正的替代返回“flatiter”生成器（只读语义） np.squeeze(M) # 给出一个删除尺寸为 1 的视图，这里也可以，但不保证对于一般 M np.reshape( M,-1) # 通常是一个取决于形状兼容性的视图，这个“-1”是做A1/ravel/flatten的迂回方式

【解决方案6】：

np.array(M).ravel()

如果您关心速度；但如果你关心记忆：

np.asarray(M).ravel()

【讨论】：

如果你解释了原因会提高你的回答质量

【解决方案7】：

首先，Mv = numpy.asarray(M.T)，它为您提供了一个 4x1 的二维数组。

然后，执行A = Mv[0,:]，它会给你你想要的。你可以把它们放在一起，就像numpy.asarray(M.T)[0,:]。

【讨论】：

【解决方案8】：

这会将矩阵转换为数组

A = np.ravel(M).T

【讨论】：

【解决方案9】：

ravel() 和 flatten() 来自 numpy 的函数是我会在这里尝试的两种技术。我想补充Joe、Siraj、bubble 和Kevad 的帖子。

拉威尔：

A = M.ravel()
print A, A.shape
>>> [1 2 3 4] (4,)

展平：

M = np.array([[1], [2], [3], [4]])
A = M.flatten()
print A, A.shape
>>> [1 2 3 4] (4,)

numpy.ravel() 更快，因为它是一个库级函数，不会复制数组。但是，如果您使用 numpy.ravel()，则数组 A 中的任何更改都会将其自身转移到原始数组 M 中。

numpy.flatten() 比 numpy.ravel() 慢。但是如果您使用numpy.flatten() 创建A，那么A 中的更改将不会转移到原始数组M。

numpy.squeeze() 和 M.reshape(-1) 比 numpy.flatten() 和 numpy.ravel() 慢。

%timeit M.ravel()
>>> 1000000 loops, best of 3: 309 ns per loop

%timeit M.flatten()
>>> 1000000 loops, best of 3: 650 ns per loop

%timeit M.reshape(-1)
>>> 1000000 loops, best of 3: 755 ns per loop

%timeit np.squeeze(M)
>>> 1000000 loops, best of 3: 886 ns per loop

【讨论】：

【解决方案10】：

来晚了，希望对大家有所帮助，

np.array(M.flat)

【讨论】：