如何构建一维数组的二维数组的特定 Python 结构？

如何构建一维数组（即行向量）的二维数组的特定结构以满足特定 我正在维护的遗留程序的结构？

我可以在此结构中生成正确的内容

all_measurements[:12]
array([[0.   , 0.   , 0.   , 2.   ],
       [0.02 , 0.334, 0.04 , 2.24 ],
       [0.04 , 0.668, 0.08 , 2.48 ],   .....

但程序需要在此结构中

array([array([[0.   , 0.   , 0.   , 2.   ]]),
       array([[0.02 , 0.334, 0.04 , 2.24 ]]),
       array([[0.04 , 0.668, 0.08 , 2.48 ]]),

这是我当前正在使用的代码

import numpy as np

dt = 1/50; nt = 350
Vh = 16.7; Vv = 20.6; Vy = 2
gg = -10; v0 = +2

it = np.arange(nt)
ts = dt * it

all_measurements = []

for i in range(12):
    row = np.array([ts[i], Vh*ts[i], Vy*ts[i], (v0 + ts[i]*(Vy - gg))])
    all_measurements.append(row)

all_measurements = np.array(all_measurements)

上面的代码生成测试用例数据，但解析器拒绝这种格式的数据，并显示错误消息

数组索引太多：数组是一维的，但索引了 2 个 测量[row_list[np.where(column_list == i)[0]],:])

根据我下面的评论，它已通过将循环调整为

for i in range(nt):
    row = np.array([np.array([ts[i], Vh*ts[i], Vy*ts[i], (v0 + ts[i]*(Vy - gg *ts[i]))])])
    all_measurements.append(row)

按照问题解决，我知道行数很小（100 到低 1000），但是将 all_measurements 初始化为空列表，然后迭代附加在内存管理和原始机器周期方面不是非常低效吗？

可以使用 NumPy 的各种数组操作方法，更有效地构建所需的结构，而无需使用循环追加。以下介绍三种方法：

方法 1：使用 reshape 和 newaxis

import numpy as np

dt = 1/50; nt = 350
Vh = 16.7; Vv = 20.6; Vy = 2
gg = -10; v0 = +2

it = np.arange(nt)
ts = dt * it

# 使用广播计算所有值
all_measurements = np.array([ts, Vh*ts, Vy*ts, (v0 + ts*(Vy - gg))])

# 调整数组形状
all_measurements = all_measurements[:,:12]  # 取前12列
all_measurements = all_measurements.reshape(-1, 1, 4) # 调整为 (12, 1, 4)

这种方法首先使用广播一次性计算所有时间点的值，然后使用切片提取前 12 列，最后使用 reshape 将其调整为所需的 (12, 1, 4) 形状。

方法 2：使用嵌套列表推导

all_measurements = np.array([[[ts[i], Vh*ts[i], Vy*ts[i], (v0 + ts[i]*(Vy - gg))] for i in range(12)]])

这种方法使用嵌套列表推导式，直接构建所需的嵌套列表结构，然后使用 np.array 将其转换为 NumPy 数组。

方法 3：使用 expand_dims

all_measurements = []
for i in range(12):
    row = np.array([ts[i], Vh*ts[i], Vy*ts[i], (v0 + ts[i]*(Vy - gg))])
    all_measurements.append(row)

all_measurements = np.array(all_measurements)

# 使用 expand_dims 添加维度
all_measurements = np.expand_dims(all_measurements, axis=1) 
all_measurements = all_measurements[:12]

这种方法先按照之前的循环方式生成数据，然后使用 np.expand_dims 在指定轴上添加维度，最后使用切片获取前12个元素。

这三种方法都避免了循环追加，并且更加高效。其中，方法 1 最为简洁高效，因为它利用了 NumPy 的广播机制，一次性计算所有值。方法 2 更容易理解，但可能在处理大量数据时效率略低。 方法 3 允许在现有代码的基础上进行修改，更加灵活。可以根据实际情况选择合适的方法。