我有一个二维数组，一维有 15 个元素，第二维有可变长度
例如
>>print abc.size()
15
>>print abc[0].size()
5873
>>print abc[1].size()
9825
如何使用 numpy 或skikit 稀疏数组使数组维度统一。数据是图像的特征。
【问题讨论】：
abc？ numpy 数组没有 size 方法。它有一个size 属性。但是如果它是一个数组，你应该给我们shape和dtype，而不是size。
标签： python arrays numpy scikit-learn
假设您想将所有数组向左对齐，并用零填充右侧，那么您可以先找到最大长度
max_len = max([abc[i].size() for for i in range(abc.size())])
然后使用zeros填充：
import numpy as np
for i in range(abc.size()):
abc[i] = np.append(abc[i], np.zeros(max_len - abc[i].size())
【讨论】：
这里有两种可能的情况：
abc 是一个图像列表，对于每个图像abc[i] 是图像i 的一组特征。
abc 是一个图像，每个abc[i] 是图像的i-th hog 特征
对于第一种情况，图像大小或 hog 参数（邻居的大小）因图像而异，因此您需要调整参数以便正确计算所有图像的 hog 特征（如果您想要固定大小的描述符）。
对于第二种情况，您的 hog 计算不正确（不应该发生同一图像的 hog 描述符的大小不同的情况）。
因此，在任何情况下，您的数组都无法使用resizing。你需要修正你的猪计算。
编辑：与您的问题相关，您有一个不同尺寸图像的数据集。这是使用 hog 描述符进行图像分类的两种可能的常用方法。但首先，快速总结一下 HOG：
M x N 窗口中分割图像，每个窗口大小为m x n，并在该窗口中使用固定的W 箱数（方向数）计算直方图方向梯度。因此，您最终将获得M x N x W 功能。特征通常在大小为K x W 和K = M x N 的二维向量中展平。 现在，分类有两种常用方法：
将图像的所有特征合二为一，即对K 特征执行平均（或加权平均或范数），最终得到每个图像大小为W 的向量（方向的数量）。
为了保留（或多或少）特征的空间关系，另一种更常见的方法是连接所有特征，以便最终得到大小为 Z 和 Z = K x W 的扁平一维向量/
根据您的数据，我认为您正在尝试执行第二步。您面临的问题是图像具有不同的大小，因此，对于固定的窗口大小m x n，特征数量因一张图像而异。
您可以解决这个问题的方法是，通过固定您想要的特征数量 M x N，对于给定的图像，计算 m = height / M 和 n = width / N 并使用该自定义 m x n 窗口大小计算 HOG 描述符（每个图像都不同）。这样，您最终将得到一个 K = M x N 向量，每个图像具有相同的 K（但窗口大小不同）。
使用固定的K 并因此固定Z，您将能够执行分类。
我不知道您使用哪个库来计算 HOG，但 m x n 窗口大小参数应该很容易为每个图像手动设置。
希望对你有帮助！
【讨论】：
M x N。