numpy.block#

numpy.block(arrays)[源代码]#

从嵌套的块列表中组装一个 nd-array.

最内层列表中的块沿着最后一个维度 (-1) 连接(参见 concatenate ),然后这些块沿着倒数第二个维度 (-2) 连接,依此类推,直到到达最外层列表.

块可以是任意维度的,但不会使用普通规则进行广播.相反,会插入大小为 1 的前导轴,以使所有块的 block.ndim 相同. 这主要用于处理标量,意味着像 np.block([v, 1]) 这样的代码是有效的,其中 v.ndim == 1 .

当嵌套列表的深度为两层时,这允许从它们的组件构建块矩阵.

参数:
arraysarray_like 或标量的嵌套列表(但不是元组)

如果传递单个ndarray或标量(深度为 0 的嵌套列表),则会按原样返回(不复制).

元素形状必须沿适当的轴匹配(不进行广播),但如有必要,会在形状前面加上前导 1,以使维度匹配.

返回:
block_arrayndarray

从给定块组装的数组.

输出的维度等于以下各项中的最大值:

  • 所有输入的维度

  • 输入列表的嵌套深度

提出:
ValueError

  • 如果列表深度不匹配 – 例如, [[a, b], c] 是非法的,应该写成 [[a, b], [c]]

  • 如果列表为空 – 例如, [[a, b], []]

参见

concatenate

沿现有轴连接一系列数组.

stack

沿新轴连接一系列数组.

vstack

按垂直方向(按行)顺序堆叠数组.

hstack

按水平方向(按列)顺序堆叠数组.

dstack

沿深度方向(沿第三个轴)顺序堆叠数组.

column_stack

将 1-D 数组作为列堆叠到 2-D 数组中.

vsplit

将数组垂直(按行)分割成多个子数组.

unstack

沿轴将数组分割成子数组的元组.

注释

仅使用标量调用时, np.block 等效于 ndarray 调用. 因此, np.block([[1, 2], [3, 4]]) 等效于 np.array([[1, 2], [3, 4]]) .

此函数不强制要求块位于固定网格上. np.block([[a, b], [c, d]]) 不限于以下形式的数组:

AAAbb
AAAbb
cccDD

但也允许生成,对于某些 a, b, c, d

AAAbb
AAAbb
cDDDD

由于连接首先沿着最后一个轴发生,因此 block 无法直接生成以下内容:

AAAbb
cccbb
cccDD

Matlab 的 “方括号堆叠” [A, B, ...; p, q, ...] 等价于 np.block([[A, B, ...], [p, q, ...]]) .

示例

此函数最常见的用法是构建分块矩阵:

>>> import numpy as np
>>> A = np.eye(2) * 2
>>> B = np.eye(3) * 3
>>> np.block([
...     [A,               np.zeros((2, 3))],
...     [np.ones((3, 2)), B               ]
... ])
array([[2., 0., 0., 0., 0.],
       [0., 2., 0., 0., 0.],
       [1., 1., 3., 0., 0.],
       [1., 1., 0., 3., 0.],
       [1., 1., 0., 0., 3.]])

对于深度为 1 的列表, block 可以用作 hstack :

>>> np.block([1, 2, 3])              # hstack([1, 2, 3])
array([1, 2, 3])

>>> a = np.array([1, 2, 3])
>>> b = np.array([4, 5, 6])
>>> np.block([a, b, 10])             # hstack([a, b, 10])
array([ 1,  2,  3,  4,  5,  6, 10])

>>> A = np.ones((2, 2), int)
>>> B = 2 * A
>>> np.block([A, B])                 # hstack([A, B])
array([[1, 1, 2, 2],
       [1, 1, 2, 2]])

对于深度为 2 的列表, block 可以代替 vstack 使用:

>>> a = np.array([1, 2, 3])
>>> b = np.array([4, 5, 6])
>>> np.block([[a], [b]])             # vstack([a, b])
array([[1, 2, 3],
       [4, 5, 6]])

>>> A = np.ones((2, 2), int)
>>> B = 2 * A
>>> np.block([[A], [B]])             # vstack([A, B])
array([[1, 1],
       [1, 1],
       [2, 2],
       [2, 2]])

它也可以代替 atleast_1d 和 atleast_2d 使用:

>>> a = np.array(0)
>>> b = np.array([1])
>>> np.block([a])                    # atleast_1d(a)
array([0])
>>> np.block([b])                    # atleast_1d(b)
array([1])

>>> np.block([[a]])                  # atleast_2d(a)
array([[0]])
>>> np.block([[b]])                  # atleast_2d(b)
array([[1]])
当前页面