水平和垂直拆分numpy阵列

Question

把一个NumPy矩阵（一个2-D数组）垂直和水平地分成相等的块的最python方法是什么？在

例如：

aa = np.reshape(np.arange(270),(18,15)) # a 18x15 matrix

那么一个“功能”就像

^{pr2}$

会产生一个由6个矩阵组成的列表，每个矩阵的形状为（9,5）。第一种猜测是结合hsplit、map和vsplit，但是如果有两个参数需要定义，那么如何应用mar，比如：

map(np.vsplit(@,3),np.hsplit(aa,2))

Answer 1

这里有一种方法可以让你呆在NumPy环境中-

def view_as_blocks(arr, BSZ):
    # arr is input array, BSZ is block-size
    m,n = arr.shape
    M,N = BSZ
    return arr.reshape(m//M, M, n//N, N).swapaxes(1,2).reshape(-1,M,N)

样本运行

1）验证形状的实际大箱：

^{pr2}$

2）手动验证值的小案例：

^{3}$

如果您愿意使用其他库，^{}可以在这里使用，如-

from skimage.util import view_as_blocks as viewB

out = viewB(aa, tuple(BSZ)).reshape(-1,*BSZ)

---

运行时测试-

In [103]: aa = np.reshape(np.arange(270),(18,15))

# @EFT's soln
In [99]: %timeit split_2d(aa, (2,3))
10000 loops, best of 3: 23.3 µs per loop

# @glegoux's soln-1
In [100]: %timeit list(get_chunks(aa, 2,3))
100000 loops, best of 3: 3.7 µs per loop

# @glegoux's soln-2
In [111]: %timeit list(get_chunks2(aa, 9, 5))
100000 loops, best of 3: 3.39 µs per loop

# Proposed in this post
In [101]: %timeit view_as_blocks(aa, (9,5))
1000000 loops, best of 3: 1.86 µs per loop

请注意，我使用了(2,3)作为split_2d和{}作为它们的定义，它们将其用作块数。在我使用view_as_blocks的例子中，我有一个表示块大小的参数BSZ。所以，我有(9,5)。get_chunks2遵循与view_as_blocks相同的格式。在那里，输出应该是相同的。在

Answer 2

您可以使用np.split&；np.concatenate，后者允许在单个步骤中执行第二次拆分：

def split_2d(array, splits):
    x, y = splits
    return np.split(np.concatenate(np.split(array, y, axis=1)), x*y)

ab = split_2d(aa,(2,3))

ab[0].shape
Out[95]: (9, 5)

len(ab)
Out[96]: 6

这似乎也应该相对简单地概括到n-dim的情况，尽管我还没有完全遵循这个想法。在

编辑：

对于作为输出的单个数组，只需添加np.stack：

^{pr2}$

Answer 3

切割时，该矩阵（18,15）：

+-+-+-+
+     +
+-+-+-+

在2x3块（9,5）中：

^{pr2}$

执行：

^{3}$

输出：

[array([[  0,   1,   2,   3,   4],
       [ 15,  16,  17,  18,  19],
       [ 30,  31,  32,  33,  34],
       [ 45,  46,  47,  48,  49],
       [ 60,  61,  62,  63,  64],
       [ 75,  76,  77,  78,  79],
       [ 90,  91,  92,  93,  94],
       [105, 106, 107, 108, 109],
       [120, 121, 122, 123, 124]]),
 array([[  5,   6,   7,   8,   9],
       [ 20,  21,  22,  23,  24],
       [ 35,  36,  37,  38,  39],
       [ 50,  51,  52,  53,  54],
       [ 65,  66,  67,  68,  69],
       [ 80,  81,  82,  83,  84],
       [ 95,  96,  97,  98,  99],
       [110, 111, 112, 113, 114],
       [125, 126, 127, 128, 129]]),
 array([[ 10,  11,  12,  13,  14],
       [ 25,  26,  27,  28,  29],
       [ 40,  41,  42,  43,  44],
       [ 55,  56,  57,  58,  59],
       [ 70,  71,  72,  73,  74],
       [ 85,  86,  87,  88,  89],
       [100, 101, 102, 103, 104],
       [115, 116, 117, 118, 119],
       [130, 131, 132, 133, 134]]),
 array([[135, 136, 137, 138, 139],
       [150, 151, 152, 153, 154],
       [165, 166, 167, 168, 169],
       [180, 181, 182, 183, 184],
       [195, 196, 197, 198, 199],
       [210, 211, 212, 213, 214],
       [225, 226, 227, 228, 229],
       [240, 241, 242, 243, 244],
       [255, 256, 257, 258, 259]]),
 array([[140, 141, 142, 143, 144],
       [155, 156, 157, 158, 159],
       [170, 171, 172, 173, 174],
       [185, 186, 187, 188, 189],
       [200, 201, 202, 203, 204],
       [215, 216, 217, 218, 219],
       [230, 231, 232, 233, 234],
       [245, 246, 247, 248, 249],
       [260, 261, 262, 263, 264]]),
 array([[145, 146, 147, 148, 149],
       [160, 161, 162, 163, 164],
       [175, 176, 177, 178, 179],
       [190, 191, 192, 193, 194],
       [205, 206, 207, 208, 209],
       [220, 221, 222, 223, 224],
       [235, 236, 237, 238, 239],
       [250, 251, 252, 253, 254],
       [265, 266, 267, 268, 269]])]