python_numpy的一些“惊悚”操作

接触python时间不长，也就看了最基础的语法，并且几乎没有其他语言基础。因为实验室要做项目，现在要实现一个算法，其中涉及到S变换，没有找到合适的开源项目可以直接调用。所以想根据公式自己实现，根据文献的公式，如果直接写需要四重for loop，为了降低复杂度，想尽量向量化。而故事也就是这时候发生了。

由于语音信号分帧，所以进行S变换时需要引入3维矩阵，本着(N*N*nf)是以nf为帧的索引进行操作时，在进行一系列操作之后发现，numpy有一些致命的操作，如果没有仔细了解过一般都会入坑的感觉。

请看，

C = np.array([[[1,2],[3,4],[5,6]],[[7,8,],[9,10],[11,12]],[[13,14],[15,16],[17,18]]])

运行结果

C
array([[[ 1,  2],
        [ 3,  4],
        [ 5,  6]],

       [[ 7,  8],
        [ 9, 10],
        [11, 12]],

       [[13, 14],
        [15, 16],
        [17, 18]]])

为了想以一些试验来确定自己实现算法时的操作能不能成功（其实就是想，同时给每一帧的第k列进行赋值），以下是一些试验

D = np.zeros((3,2,3))

你猜会是什么结果？

D
array([[[0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.]]])

出结果时，我也没有注意，接着就进行之后的操作（实际上，这时的矩阵维度和我想要的并不一致）

D[:,1,:] = C[:,0,:]
Traceback (most recent call last):
  File "<pyshell#12>", line 1, in <module>
    D[:,1,:] = C[:,0,:]
ValueError: could not broadcast input array from shape (3,2) into shape (3,3)

？？？啊？怎么回事？这时回去查看才发现矩阵维度的问题！！！

原来numpy中3维矩阵的第一维索引的是帧数…然后是行，最后是列

接下来的一些试验如下：

>>> D = np.zeros((2,3,3))
>>> D
array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]])
>>> np.zeros((3,3,2))
array([[[0., 0.],
        [0., 0.],
        [0., 0.]],

       [[0., 0.],
        [0., 0.],
        [0., 0.]],

       [[0., 0.],
        [0., 0.],
        [0., 0.]]])
>>> D[:,1,:] = C[:,0,:]
Traceback (most recent call last):
  File "<pyshell#16>", line 1, in <module>
    D[:,1,:] = C[:,0,:]
ValueError: could not broadcast input array from shape (3,2) into shape (2,3)
>>> C[:,0,:]
array([[ 1,  2],
       [ 7,  8],
       [13, 14]])
>>> E=np.zeros((3,2))
>>> E
array([[0., 0.],
       [0., 0.],
       [0., 0.]])
>>> C[:,0,:] = E
>>> C
array([[[ 0,  0],
        [ 3,  4],
        [ 5,  6]],

       [[ 0,  0],
        [ 9, 10],
        [11, 12]],

       [[ 0,  0],
        [15, 16],
        [17, 18]]])
>>> C[1,:,:]
array([[ 0,  0],
       [ 9, 10],
       [11, 12]])
>>> C[:,:,0]
array([[ 0,  3,  5],
       [ 0,  9, 11],
       [ 0, 15, 17]])        

由矩阵E对C的赋值操作可以看到，可以同时对各帧对应矩阵的第一（对应索引0）行批量赋值；

同时，由最后一个索引操作C[:,:,0]的结果知道，这实际上是将各帧的第一（对应索引0）列转置成行向量然后纵向堆叠（以行的方式向下堆叠）得到的新矩阵。