來自文件：https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csr_matrix.html from scipy.sparse import csr_matrix d = { (0, 3083): 0.4135918197208131, (0, 3245): 0.7910294373931178, (0, 4054): 0.4507928968357355, (1, 679): 0.4192120119709425, (1, 1513): 0.5239405639724402, (1, 2663): 0.2689391233917331, (1, 3419): 0.5679685442982928, (1, 4442): 0.39348577488961367, (2, 225): 0.5013098541806313, (2, 1480): 0.44192832578442043, (2, 2995): 0.3209783438156829, (2, 3162): 0.4897198689787062, (2, 3551): 0.2757628355961508, (2, 3763): 0.3667287774412633}keys = d.keys()row = [k[0] for k in ke

如果您有scipy可用，則有scipy.linalg.toeplitz： from scipy import linalglinalg.toeplitz([3,2,9,12],[0,0,0,0])# array([[ 3, 0, 0, 0],# [ 2, 3, 0, 0],# [ 9, 2, 3, 0],# [12, 9, 2, 3]])

如果a是N-D數組，b是1-D數組，則它是a和b的最后一個軸的和積。 a的最后一個軸的大小為2： >>> a.shape(3, 2) 與b的大小匹配。 記住：numpy中multi-dimensional數組的第一個軸是“向下”。一維數組在numpy中水平顯示，但我認為通常最好將它們看作垂直向量。這是正在計算的：

IIUC您可以將掩碼和索引用作： CAT_IDX_HORSE = 9mask = (a == CAT_IDX_HORSE ).sum((1, 2))result = a[mask != 0]

使用基于元組的索引和numpy重塑可能是您在這里能達到的最快速度： def vec_to_mat(vec): """Convert an array of shape (N, 6) to (N, 3, 3)""" mat = vec[:, (0, 5, 4, 5, 1, 3, 4, 3, 2)].reshape(-1, 3, 3) return matx = np.array([[1,2,3,4,5,6], [4,6,8,2,4,6]])vec_to_mat(x)>>> array([[[1, 6, 5], [6, 2, 4], [5, 4, 3]], [[4, 6, 4], [6, 6, 2], [4, 2, 8]]])

Use numpy: import numpy as np>>> coocc.divide(np.diag(coocc)) A B C D EA 1.000000 1.000000 0.8 0.857143 0.833333B 0.857143 1.000000 0.6 0.714286 0.666667C 0.571429 0.500000 1.0 0.571429 0.666667D 0.857143 0.833333 0.8 1.000000 0.833333E 0.714286 0.666667 0.8 0.714286 1.000000 如果要強制upper-diagonal值為零，可以執行以下操作： >>> pd.DataFrame(np.tril(coocc.divide(np.diag(coocc))), columns=coocc.columns, index=coocc.index) A B C D EA 1.000000 0.000000 0.0 0.000000 0.0B 0.857143 1.000000 0.0 0.000000 0.0C 0.571429 0.500000 1.0 0.000000 0.0D 0.857143 0.833333 0.8 1.000000 0.0E 0.714286 0.666667 0

我想您正在尋找meshgrid，現在只需將它們添加到參數中，它就可以用于任意數量的數組： np.array(np.meshgrid(a,b,c)).T.reshape(-1,3) 如果有數組列表： l = [a,b,c]np.array(np.meshgrid(*l)).T.reshape(-1,len(l)) output: array([[ 1, 6, 9], [ 1, 7, 9], [ 1, 8, 9], [ 2, 6, 9], [ 2, 7, 9], [ 2, 8, 9], [ 3, 6, 9], [ 3, 7, 9], [ 3, 8, 9], [ 4, 6, 9], [ 4, 7, 9], [ 4, 8, 9], [ 5, 6, 9], [ 5, 7, 9], [ 5, 8, 9], [ 1, 6, 10], [ 1, 7, 10], [ 1, 8, 10], [ 2, 6, 10], [ 2, 7, 10], [ 2, 8, 10], [ 3, 6, 10], [ 3, 7, 10], [ 3, 8, 10], [ 4, 6, 10], [ 4, 7, 10], [ 4, 8, 10], [ 5, 6, 10], [ 5, 7, 10], [ 5, 8, 10], [ 1, 6, 3], [ 1, 7, 3], [ 1, 8, 3], [ 2, 6, 3], [ 2,

你可以使用np.einsum： np.einsum('ij,ik->jik', a, np.eye(a.shape[0], dtype=a.dtype)) Output: array([[[1, 0, 0, 0], [0, 2, 0, 0], [0, 0, 3, 0], [0, 0, 0, 4]], [[5, 0, 0, 0], [0, 6, 0, 0], [0, 0, 7, 0], [0, 0, 0, 8]]])

這里有一個方法： In [54]: a = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])In [55]: b = np.array([[[1, 0], [0, 1]], [[1, 1], [0, 1]]])In [56]: a[b[:, :, 0], b[:, :, 1]]Out[56]: array([[[ 7, 8, 9], [ 4, 5, 6]], [[10, 11, 12], [ 4, 5, 6]]])

似乎問題在于字符串和數字： import matplotlib.pyplot as pltimport pandas as pdimport numpy as npdata = []for line in open('profile_3.dat'): new = line.split() data.append(new)profile = np.array(data)plt.figure()x = profile[:,0].astype(np.float)y = profile[:,1].astype(np.float)plt.plot(x,y)plt.show() 繪制數據：

在內部np.size(x)調用x.size當沒有指定axis時，在本例中結果是相同的。 if axis is None: try: return a.size except AttributeError: return asarray(a).size 但是，如果指定axis，則結果會有所不同。 >>> a=np.arange(16).reshape(4,4)>>> a.shape(4, 4)>>> np.size(a,axis=1)4>>> a.size16

你可以這樣做，適用于任何N。 import numpy as npN = 3ld = np.arange(N*21).reshape(N, 21)x = np.zeros((ld.shape[0], 6, 6))tril_ind = np.tril_indices(6)x[:, tril_ind[0], tril_ind[1]] = ldx += np.transpose(x, (0, 2, 1))diag_ind = np.diag_indices(6)x[:, diag_ind[0], diag_ind[1]] /= 2print(x) This prints [[[ 0. 1. 3. 6. 10. 15.] [ 1. 2. 4. 7. 11. 16.] [ 3. 4. 5. 8. 12. 17.] [ 6. 7. 8. 9. 13. 18.] [10. 11. 12. 13. 14. 19.] [15. 16. 17. 18. 19. 20.]] [[21. 22. 24. 27. 31. 36.] [22. 23. 25. 28. 32. 37.] [24. 25. 26. 29. 33. 38.] [27. 28. 29. 30. 34. 39.] [31. 32. 33. 34. 35. 40.] [36. 37. 38. 39. 40. 41.]] [[42. 43.

沒有本機numpy函數，但可以使用diff+where+split+列表理解： >>> [[ary[0], ary[-1]] if len(ary)>1 else [ary[0]] for ary in np.split(arr, np.where(np.diff(arr, prepend=0)!=1)[0])][[1, 4], [6, 9], [14, 18], [25, 36], [38], [45]]

import numpy as nph = 7w = 5c = 10grid = 3*4##Creating sample data for lista = np.random.rand(grid,h,w,c)my_list = list(a)#### my_array = np.array(my_list) ## shape (grid,h,w,c)my_array = my_array.reshape(3,4,h,w,c)my_array = my_array.transpose(0,2,1,3,4)your_req_array = my_array.reshape(3*h,4*w,c)