我正在使用numpy。 我有一个包含1列和N行的矩阵，我想从中获取一个具有N个元素的数组。
例如，如果我有M = matrix([[1], [2], [3], [4]])，我想得到A = array([1,2,3,4])。
为了实现这一点，我使用A = np.array(M.T)[0]。 有没有人知道更简洁优雅的方法来获得相同的结果？
谢谢！
10个回答
240
如果你想让内容更易读，可以这样做：
A = np.squeeze(np.asarray(M))
等价地，你也可以这样做：A = np.asarray(M).reshape(-1)，但这种方式不太易读。
- Joe Kington
6
17个人感想：我为什么numpy要将数组和矩阵作为不同的实体。在我看来这太不符合Python的风格了。感谢@Joe的提示。 - Naijaba
9不论价值如何，矩阵类实际上（但不是正式地）已经被淘汰了。它主要出于历史目的而存在。删除
numpy.matrix是一个有争议的问题，但是Numpy开发人员非常赞同您的观点，即拥有两者对于Python来说是不符合惯例且令人讨厌的。然而，“野外”中使用matrix的大量旧且未维护的代码使得完全删除它变得困难。 - Joe Kington1更不用说，真正的矩阵乘法只在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要完成的任务。https://docs.scipy.org/doc/numpy/reference/generated/numpy.matmul.html - Georges Oates Larsen
2稀疏矩阵对于内存高效的机器学习（例如
sklearn）至关重要。实际上，在 scipy 中有不同的 sparse matrix 类型，可以通过行或列进行高效访问。我想这可能是将矩阵和数组的概念合并的一个问题。话虽如此，我想知道是否也可以引入 sparse array 类型，并且是否有任何计划来实现它。有什么线索吗？ - pms我认为 .flatten() 和 .squeeze() 一样有效，只要最终需要一个一维数组即可。 - wordsforthewise
array（..）默认情况下copy = True，因此如果您想要A和M不同，则它们是不同的[[“asarray”对矩阵子类的行为相同]]
请参见@hpaulj M.A1与np.ravel（M）相同，它返回M在A中的视图，共享内存-更适用于大型矩阵。 - jayprich
150
result = M.A1
https://numpy.org/doc/stable/reference/generated/numpy.matrix.A1.html
matrix.A1
1-d base array
- hpaulj
2
8我认为这个答案在性能和简洁性方面比被采纳的答案更好。 - dariush
M.A1很棒，与“ravel”和“flatten”具有相同的实现，在这种情况下不会导致任何数据复制，因此A仍然链接到M，如果A和/或M是可变的，则可能会引起意外。
M.flat是真正的替代品，返回“flatiter”生成器（只读语义）
np.squeeze（M）＃提供删除大小为1的维度的视图，在这里也可以，但不能保证对于一般M是1-d
np.reshape（M，-1）＃通常是视图，具体取决于形状兼容性，“-1”是执行A1 / ravel / flatten的迂回方式 - jayprich
13
A, = np.array(M.T)
取决于你所说的“优雅”是什么意思，但那就是我会做的事情。
- mvu
13
你可以尝试以下变体：
result=np.array(M).flatten()
- bubble
9
np.array(M).ravel()
如果您关心速度；但如果您关心内存：
np.asarray(M).ravel()
- Kevad
1
2如果您解释一下为什么，那将会提高您回答的质量。 - Milo Wielondek
7
或者您可以尝试使用以下方法避免一些临时问题：
A = M.view(np.ndarray)
A.shape = -1
- Pierre GM
2
首先，
然后，执行
Mv = numpy.asarray(M.T)将给你一个4x1但是2D数组。然后，执行
A = Mv[0,:]，这会给你所需的结果。你可以将它们组合在一起，如numpy.asarray(M.T)[0,:]。- oracleyue
2
这将把矩阵转换成数组。
A = np.ravel(M).T
- Siraj S.
2
"ravel()"和"flatten()"是来自numpy的两种技术，我想在这里尝试一下。我想补充一下Joe、Siraj、bubble和Kevad发表的帖子。
Ravel:"
`numpy.ravel()`更快，因为它是一个库级别的函数，不会复制数组。但是，如果您使用`numpy.ravel()`，则对数组A进行的任何更改都会传递到原始数组M。
`numpy.flatten()`比`numpy.ravel()`慢。但是，如果您使用`numpy.flatten()`来创建A，则对A的更改不会传递到原始数组M。
`numpy.squeeze()`和`M.reshape(-1)`比`numpy.flatten()`和`numpy.ravel()`慢。
A = M.ravel()
print A, A.shape
>>> [1 2 3 4] (4,)
压平：
M = np.array([[1], [2], [3], [4]])
A = M.flatten()
print A, A.shape
>>> [1 2 3 4] (4,)
`numpy.ravel()`更快，因为它是一个库级别的函数，不会复制数组。但是，如果您使用`numpy.ravel()`，则对数组A进行的任何更改都会传递到原始数组M。
`numpy.flatten()`比`numpy.ravel()`慢。但是，如果您使用`numpy.flatten()`来创建A，则对A的更改不会传递到原始数组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
- Siddharth Satpathy
-1
有点晚了，希望这能帮到某个人，
np.array(M.flat)
- Cephas Svosve
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接