Numpy 数组 TypeError: 只有整数标量数组可以转换为标量索引

i=np.arange(1,4,dtype=np.int)
a=np.arange(9).reshape(3,3)

还有

a
>>>array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
a[:,0:1]
>>>array([[0],
[3],
[6]])
a[:,0:2]
>>>array([[0, 1],
[3, 4],
[6, 7]])
a[:,0:3]
>>>array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])

现在我要向量化数组，把它们一起打印出来

a[:,0:i]

或者

a[:,0:i[:,None]]

它给出了 TypeError: 只有整数标量数组可以转换为标量索引

400921 次浏览
小开

尝试将数组更改为1D

a.reshape((1, -1))
小开

简短的回答:

[a[:,:j] for j in i]

你要做的是 不是可向量化的操作。维基百科定义向量化作为单个数组上的批处理操作，而不是单个标量上的批处理操作:

在计算机科学中，阵列编程语言(也称为向量或多维语言)将标量上的操作推广到向量、矩阵和高维数组上。

...

操作整个数组的操作可以称为 矢量化操作。

在 CPU 级优化方面，矢量化的定义矢量化的定义是:

“向量化”(简化)是重写一个循环的过程，这样它不再处理数组中的单个元素 N 次，而是同时处理数组中的4个元素 N/4次。

这种情况的问题在于，每个操作的结果都有一个 不同的形状: (3, 1)、 (3, 2)和 (3, 3)。它们不能形成单个向量化操作的输出，因为输出必须是一个连续的数组。当然，它可以在其中包含 (3, 1)、 (3, 2)和 (3, 3)数组(作为视图) ，但是原始数组 a已经这样做了。

你真正要找的只是一个计算所有这些的表达式:

[a[:,:j] for j in i]

... 但是它并没有向量化，在性能优化的意义上。在引擎盖下面是一个简单的旧 for循环，它逐个计算每个项目。

小开

这可能与这个特定的问题无关，但是我遇到了类似的问题，在 Python 列表中使用了 NumPy 索引，得到了相同的错误消息:

# incorrect
weights = list(range(1, 129)) + list(range(128, 0, -1))
mapped_image = weights[image[:, :, band]] # image.shape = [800, 600, 3]
# TypeError: only integer scalar arrays can be converted to a scalar index

事实证明，在应用多维 NumPy 索引之前，我需要将1D Python 列表 weights转换为 NumPy 数组。以下守则适用于:

# correct
weights = np.array(list(range(1, 129)) + list(range(128, 0, -1)))
mapped_image = weights[image[:, :, band]] # image.shape = [800, 600, 3]
小开

可以使用 numpy.ravel 从 n 维数组返回一个扁平数组:

>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> a.ravel()
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
小开

我有一个类似的问题，并解决了它使用清单... 不知道这是否会有帮助或没有

classes = list(unique_labels(y_true, y_pred))
小开

当我们用向量代替标量时，这个问题就出现了 例如，在 for 循环中，范围应该是一个标量，以防在给定向量的位置出现错误。因此，为了避免这个问题，使用您使用的向量的长度

小开

当我冒险使用 numpy.concatenate 来模拟 C + + 时遇到了这个问题，就像2D 向量的回推一样; 如果 A 和 B 是两个2D numpy.array，那么 numpy.concatenate (A，B)会产生错误。

补丁只是简单地添加了 缺少括号: numpy.concatenate (( A，B )) ，这是必需的，因为要连接的数组构成了一个 单身参数


提交答案