有时将行向量或列向量“克隆”到矩阵中是有用的。克隆的意思是转换行向量,比如

[1, 2, 3]

变成一个矩阵

[[1, 2, 3],
 [1, 2, 3],
 [1, 2, 3]]

或者一个列向量,比如

[[1],
 [2],
 [3]]

into

[[1, 1, 1]
 [2, 2, 2]
 [3, 3, 3]]

在MATLAB或八度音阶中,这很容易做到:

 x = [1, 2, 3]
 a = ones(3, 1) * x
 a =

    1   2   3
    1   2   3
    1   2   3
    
 b = (x') * ones(1, 3)
 b =

    1   1   1
    2   2   2
    3   3   3

我想在numpy中重复这一点,但不成功

In [14]: x = array([1, 2, 3])
In [14]: ones((3, 1)) * x
Out[14]:
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.],
       [ 1.,  2.,  3.]])
# so far so good
In [16]: x.transpose() * ones((1, 3))
Out[16]: array([[ 1.,  2.,  3.]])
# DAMN
# I end up with 
In [17]: (ones((3, 1)) * x).transpose()
Out[17]:
array([[ 1.,  1.,  1.],
       [ 2.,  2.,  2.],
       [ 3.,  3.,  3.]])

为什么第一种方法(在[16])不工作?有没有一种更优雅的方法在python中实现这个任务?


当前回答

回到最初的问题

在MATLAB或八度音阶中,这很容易做到: X = [1,2,3] A = ones(3,1) * x ...

在numpy中,这几乎是一样的(也很容易记住):

x = [1, 2, 3]
a = np.tile(x, (3, 1))

其他回答

一个干净的解决方案是使用NumPy的外积函数和一个1的向量:

np.outer(np.ones(n), x)

给出n个重复行。切换参数顺序以获得重复列。为了得到相等的行数和列数

np.outer(np.ones_like(x), x)

你可以使用

np.tile(x,3).reshape((4,3))

Tile将生成向量的代表

重塑会给你想要的形状

如果你有一个pandas数据框架,并且想要保存dtypes,甚至是分类,这是一个快速的方法:

import numpy as np
import pandas as pd
df = pd.DataFrame({1: [1, 2, 3], 2: [4, 5, 6]})
number_repeats = 50
new_df = df.reindex(np.tile(df.index, number_repeats))

我认为在numpy中使用broadcast是最好的,而且更快

我做了如下比较

import numpy as np
b = np.random.randn(1000)
In [105]: %timeit c = np.tile(b[:, newaxis], (1,100))
1000 loops, best of 3: 354 µs per loop

In [106]: %timeit c = np.repeat(b[:, newaxis], 100, axis=1)
1000 loops, best of 3: 347 µs per loop

In [107]: %timeit c = np.array([b,]*100).transpose()
100 loops, best of 3: 5.56 ms per loop

使用广播大约快15倍

为了回答实际的问题,现在已经发布了近12种解决方案的方法:x.转置颠倒了x的形状。其中一个有趣的副作用是,如果x.ndim == 1,转置什么也不做。

这对于来自MATLAB的人来说尤其令人困惑,在MATLAB中,所有数组都隐含至少有两个维度。转置1D numpy数组的正确方法不是x.转置()或x.T,而是

x[:, None]

or

x.reshape(-1, 1)

从这里开始,您可以乘以一个1的矩阵,或者使用任何其他建议的方法,只要您尊重MATLAB和numpy之间的(微妙的)差异。