Concaténation de deux tableaux NumPy unidimensionnels

J'ai deux tableaux unidimensionnels simples dans NumPy . Je devrais pouvoir les concaténer en utilisant numpy.concatenate . Mais j'obtiens cette erreur pour le code ci-dessous:

TypeError: seuls les tableaux de longueur 1 peuvent être convertis en scalaires Python

Code

import numpy
a = numpy.array([1, 2, 3])
b = numpy.array([5, 6])
numpy.concatenate(a, b)

Pourquoi?

La ligne doit être:

numpy.concatenate([a,b])

Les tableaux que vous souhaitez concaténer doivent être transmis sous forme de séquence, et non sous forme d'arguments distincts.

De la documentation NumPy :

numpy.concatenate((a1, a2, ...), axis=0)

Joignez une séquence de tableaux ensemble.

Il essayait d'interpréter votre bcomme paramètre d'axe, c'est pourquoi il se plaignait de ne pas pouvoir le convertir en scalaire.

Il existe plusieurs possibilités de concaténation de tableaux 1D, par exemple,

numpy.r_[a, a],
numpy.stack([a, a]).reshape(-1),
numpy.hstack([a, a]),
numpy.concatenate([a, a])

Toutes ces options sont également rapides pour les grands tableaux; pour les petits, concatenatea un léger avantage:

L'intrigue a été créée avec perfplot :

import numpy
import perfplot

perfplot.show(
    setup=lambda n: numpy.random.rand(n),
    kernels=[
        lambda a: numpy.r_[a, a],
        lambda a: numpy.stack([a, a]).reshape(-1),
        lambda a: numpy.hstack([a, a]),
        lambda a: numpy.concatenate([a, a]),
    ],
    labels=["r_", "stack+reshape", "hstack", "concatenate"],
    n_range=[2 ** k for k in range(19)],
    xlabel="len(a)",
)

Le premier paramètre à concatenatelui-même devrait être une séquence de tableaux à concaténer:

numpy.concatenate((a,b)) # Note the extra parentheses.

Une alternative est d'utiliser la forme courte de "concaténer" qui est soit "r _ [...]" ou "c _ [...]" comme indiqué dans l'exemple de code ci-dessous (voir http://wiki.scipy.org / NumPy_for_Matlab_Users pour plus d'informations):

%pylab
vector_a = r_[0.:10.] #short form of "arange"
vector_b = array([1,1,1,1])
vector_c = r_[vector_a,vector_b]
print vector_a
print vector_b
print vector_c, '\n\n'

a = ones((3,4))*4
print a, '\n'
c = array([1,1,1])
b = c_[a,c]
print b, '\n\n'

a = ones((4,3))*4
print a, '\n'
c = array([[1,1,1]])
b = r_[a,c]
print b

print type(vector_b)

Ce qui se traduit par:

[ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9.]
[1 1 1 1]
[ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9.  1.  1.  1.  1.] 


[[ 4.  4.  4.  4.]
 [ 4.  4.  4.  4.]
 [ 4.  4.  4.  4.]] 

[[ 4.  4.  4.  4.  1.]
 [ 4.  4.  4.  4.  1.]
 [ 4.  4.  4.  4.  1.]] 


[[ 4.  4.  4.]
 [ 4.  4.  4.]
 [ 4.  4.  4.]
 [ 4.  4.  4.]] 

[[ 4.  4.  4.]
 [ 4.  4.  4.]
 [ 4.  4.  4.]
 [ 4.  4.  4.]
 [ 1.  1.  1.]]

Voici des approches plus pour le faire en utilisant numpy.ravel(), numpy.array(), en utilisant le fait que les tableaux 1D peut être décompressé en éléments simples:

# we'll utilize the concept of unpacking
In [15]: (*a, *b)
Out[15]: (1, 2, 3, 5, 6)

# using `numpy.ravel()`
In [14]: np.ravel((*a, *b))
Out[14]: array([1, 2, 3, 5, 6])

# wrap the unpacked elements in `numpy.array()`
In [16]: np.array((*a, *b))
Out[16]: array([1, 2, 3, 5, 6])

Quelques faits supplémentaires à partir des documents numpy :

Avec la syntaxe as numpy.concatenate((a1, a2, ...), axis=0, out=None)

axe = 0 pour la concaténation en ligne axe = 1 pour la concaténation en colonne

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

# Appending below last row
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
       [3, 4],
       [5, 6]])

# Appending after last column
>>> np.concatenate((a, b.T), axis=1)    # Notice the transpose
array([[1, 2, 5],
       [3, 4, 6]])

# Flattening the final array
>>> np.concatenate((a, b), axis=None)
array([1, 2, 3, 4, 5, 6])

J'espère que ça aide!