numpy.block#

numpy.block(arrays)[源代码]#

从嵌套块列表中组装 ndarray。

最内层列表中的块沿着最后一个维度（-1）连接（参见 concatenate），然后沿着倒数第二个维度（-2）连接这些块，以此类推，直到达到最外层列表。

块可以是任何维度，但不会使用常规规则进行广播。相反，会插入尺寸为 1 的前导轴，以使所有块的 block.ndim 相同。这主要用于处理标量，并且意味着像 np.block([v, 1]) 这样的代码是有效的，其中 v.ndim == 1。

当嵌套列表为两层深时，这允许从组件构建块矩阵。

参数:
arrays嵌套列表，包含 array_like 或标量（但不是元组）

如果传入单个 ndarray 或标量（深度为 0 的嵌套列表），则不经修改地返回（不复制）。

元素形状必须沿着相应的轴匹配（不进行广播），但会根据需要添加前导 1 来使维度匹配。

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

  • 输入列表嵌套的深度

引发:
ValueError

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

  • 如果列表为空——例如，[[a, b], []]

另请参阅

concatenate

沿现有轴连接数组序列。

stack

沿新轴连接数组序列。

vstack

按顺序垂直（逐行）堆叠数组。

hstack

按顺序水平（逐列）堆叠数组。

dstack

按顺序按深度（沿第三轴）堆叠数组。

column_stack

将 1D 数组作为列堆叠到 2D 数组中。

vsplit

将数组垂直（按行）分割成多个子数组。

unstack

沿轴将数组分割成一个子数组元组。

备注

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

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

AAAbb
AAAbb
cccDD

对于某些 a, b, c, d，也允许生成：

AAAbb
AAAbb
cDDDD

由于连接首先沿着最后一个轴进行，block **不能** 直接生成以下内容：

AAAbb
cccbb
cccDD

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

示例

此函数最常见的用法是构建块矩阵：

>>> 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.]])

当列表深度为 1 时，block 可用作 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]])

当列表深度为 2 时，block 可替代 vstack

>>> 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]])

它还可以替代 atleast_1d 和 atleast_2d

>>> 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]])
在此页面