Numpy：使用 reshape 或 newaxis 添加维度

Question

ndarray.reshape 或 numpy.newaxis 均可用于向数组添加新维度。他们似乎都创建了一个视图，是否有任何理由或优势使用一个而不是另一个？

>>> b
array([ 1.,  1.,  1.,  1.])
>>> c = b.reshape((1,4))
>>> c *= 2
>>> c
array([[ 2.,  2.,  2.,  2.]])
>>> c.shape
(1, 4)
>>> b
array([ 2.,  2.,  2.,  2.])
>>> d = b[np.newaxis,...]
>>> d
array([[ 2.,  2.,  2.,  2.]])
>>> d.shape
(1, 4)
>>> d *= 2
>>> b
array([ 4.,  4.,  4.,  4.])
>>> c
array([[ 4.,  4.,  4.,  4.]])
>>> d
array([[ 4.,  4.,  4.,  4.]])
>>> 

`

Answer 1

使用numpy.newaxis 而不是ndarray.reshape 的一个原因是当您有多个“未知”维度可供操作时。因此，例如，对于以下数组：

>>> arr.shape
(10, 5)

这行得通：

>>> arr[:, np.newaxis, :].shape
(10, 1, 5)

但这不是：

>>> arr.reshape(-1, 1, -1)
...
ValueError: can only specify one unknown dimension

Answer 2

我看不出有太大差异的证据。您可以对非常大的数组进行时间测试。基本上都摆弄形状，可能还有步伐。 __array_interface__ 是访问此信息的好方法。例如：

In [94]: b.__array_interface__
Out[94]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (5,),
 'strides': None,
 'typestr': '<f8',
 'version': 3}

In [95]: b[None,:].__array_interface__
Out[95]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (1, 5),
 'strides': (0, 8),
 'typestr': '<f8',
 'version': 3}

In [96]: b.reshape(1,5).__array_interface__
Out[96]: 
{'data': (162400368, False),
 'descr': [('', '<f8')],
 'shape': (1, 5),
 'strides': None,
 'typestr': '<f8',
 'version': 3}

两者都创建一个视图，使用与原始相同的data 缓冲区。形状相同，但 reshape 不会改变 strides。 reshape 允许您指定 order。

而.flags 显示C_CONTIGUOUS 标志的差异。

reshape 可能会更快，因为它所做的更改更少。但无论哪种方式，操作都不应该对较大计算的时间产生太大影响。

例如大号b

In [123]: timeit np.outer(b.reshape(1,-1),b)
1 loops, best of 3: 288 ms per loop
In [124]: timeit np.outer(b[None,:],b)
1 loops, best of 3: 287 ms per loop

---

有趣的观察：b.reshape(1,4).strides -> (32, 8)

这是我的猜测。 .__array_interface__ 显示底层属性，.strides 更像是一个属性（尽管它可能都隐藏在 C 代码中）。默认基础值为None，当需要计算（或用.strides 显示）时，它会根据形状和项目大小计算它。 32 是到第一行 (4x8) 末端的距离。 np.ones((2,4)).strides 具有相同的 (32,8)（和 None 在 __array_interface__。

另一方面，b[None,:] 正在为广播做准备。广播时，重复使用现有值。这就是(0,8) 中的0 所做的。

In [147]: b1=np.broadcast_arrays(b,np.zeros((2,1)))[0]

In [148]: b1.shape
Out[148]: (2, 5000)

In [149]: b1.strides
Out[149]: (0, 8)

In [150]: b1.__array_interface__
Out[150]: 
{'data': (3023336880L, False),
 'descr': [('', '<f8')],
 'shape': (2, 5),
 'strides': (0, 8),
 'typestr': '<f8',
 'version': 3}

b1 与 np.ones((2,5)) 显示相同，但​​只有 5 个项目。

np.broadcast_arrays 是/numpy/lib/stride_tricks.py 中的一个函数。它使用来自同一文件的as_strided。这些函数直接使用 shape 和 strides 属性。