获取numpy数组的对角线答案

【问题标题】：getting the opposite diagonal of a numpy array获取numpy数组的对角线
【发布时间】：2013-04-19 22:21:36
【问题描述】：

所以在 numpy 数组中有用于获取对角线索引的内置函数，但我似乎无法弄清楚如何从右上角而不是左上角开始获取对角线。

这是从左上角开始的正常代码：

>>> import numpy as np
>>> array = np.arange(25).reshape(5,5)
>>> diagonal = np.diag_indices(5)
>>> array
array([[ 0,  1,  2,  3,  4],
   [ 5,  6,  7,  8,  9],
   [10, 11, 12, 13, 14],
   [15, 16, 17, 18, 19],
   [20, 21, 22, 23, 24]])
>>> array[diagonal]
array([ 0,  6, 12, 18, 24])

如果我想让它返回，我该怎么做：

array([ 4,  8, 12, 16, 20])

【问题讨论】：

标签： python arrays numpy

【解决方案1】：

有

In [47]: np.diag(np.fliplr(array))
Out[47]: array([ 4,  8, 12, 16, 20])

或

In [48]: np.diag(np.rot90(array))
Out[48]: array([ 4,  8, 12, 16, 20])

在两者中，np.diag(np.fliplr(array)) 更快：

In [50]: %timeit np.diag(np.fliplr(array))
100000 loops, best of 3: 4.29 us per loop

In [51]: %timeit np.diag(np.rot90(array))
100000 loops, best of 3: 6.09 us per loop

【讨论】：

你开始计时了，所以这是我加快速度的最佳方法：step = len(array) - 1; np.take(array, np.arange(step, array.size, step))
@Jaime：太好了——比我的解决方案快得多。也许我们需要np.arange(step, array.size-1, step)？请将其发布为解决方案，以便我投票。
我的立方体墙上挂着 Tim Peters 的 The Zen of Python，就在我的显示器旁边。当 readability counts 正在看着我时，我无法将评论的代码作为答案发布...：P 您使用 fliplr 的解决方案可能是最好的：足够快，并且在以下情况下更容易理解你在写完它几个月后重新审视它。
@Jaime 你总是会对这些时间感到松懈，因为对角线会创建一个视图（或在较新的版本中）。
@Jaime - 我对我的解决方案的 zen-iness 没有疑虑：np.diag(arr[:, ::-1] ;) - 请参阅下面的答案！

【解决方案2】：

这里有两个想法：

step = len(array) - 1

# This will make a copy
array.flat[step:-step:step]

# This will make a veiw
array.ravel()[step:-step:step]

【讨论】：

第二个可能会复制 ;)

【解决方案3】：

这是一个使用 numpy 切片的简单方法。我个人觉得这并不难看（但承认fliplr 更具描述性！）。

为了突出这个示例对现有答案的贡献，我运行了相同的简单基准测试。

In [1]: import numpy as np

In [3]: X = np.random.randint(0, 10, (5, 5))

In [4]: X
Out[4]: 
array([[7, 2, 7, 3, 7],
       [8, 4, 5, 9, 6],
       [0, 2, 9, 0, 4],
       [8, 2, 1, 0, 3],
       [3, 1, 0, 7, 0]])

In [5]: Y = X[:, ::-1]

In [6]: Z1 = np.diag(Y)

In [7]: Z1
Out[7]: array([7, 9, 9, 2, 3])

现在与给出的当前最快解决方案进行比较。

In [8]: step = len(X) - 1

In [9]: Z2 = np.take(X, np.arange(step, X.size-1, step))

In [10]: Z2
Out[10]: array([7, 9, 9, 2, 3])

In [11]: np.array_equal(Z1, Z2)
Out[11]: True

基准测试

In [12]: %timeit np.diag(X[:, ::-1])
1.92 µs ± 29.5 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [13]: %timeit step = len(X) - 1; np.take(X, np.arange(step, X.size-1, step))
2.21 µs ± 246 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

初步比较表明，我的解决方案在复杂性上也是线性的，而使用第二个“步骤”解决方案则不是：

In [14]: big_X = np.random.randint(0, 10, (10000, 10000))

In [15]: %timeit np.diag(big_X[:, ::-1])
2.15 µs ± 96.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [16]: %timeit step = len(big_X) - 1; np.take(big_X, np.arange(step, big_X.size-1, step))
100 µs ± 1.85 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我通常使用这种方法来翻转图像（镜像它们），或者在opencv的格式（通道，高度，宽度）到matplotlib的格式之间转换（高度、宽度、通道）。所以对于一个三维图像，它只是flipped = image[:, :, ::-1]。当然，您可以通过将::-1 部分放在所需的维度中，将其概括为沿任何维度翻转。

【讨论】：