Python模块NumPy中的tile(A，rep) 函数

最新推荐文章于 2025-09-10 17:59:49 发布
最新推荐文章于 2025-09-10 17:59:49 发布
阅读量146 收藏
点赞数
文章标签： python
本文详细介绍了 NumPy 中的 tile 函数，该函数能够沿指定维度重复数组元素。通过不同维度上的实例演示了如何使用 tile 函数进行数组操作。

from NumPy import *

 

函数形式： tile(A，rep) 

功能：重复A的各个维度 

参数类型： 

- A: Array类的都可以 

- rep：A沿着各个维度重复的次数

 

这个英文单词的本意是：贴瓷砖，还挺形象的。

 

举例：

tile([17,29],2)，如果rep参数是一个整数，则表示重复A中的元素rep次，即行数（即维度）只有1维，所以2的意思是在“列”这个维度上重复2次

输出[17,29,17,29]

 

tile([29,17],(3,5))

此时的(3,5)和[3,5]是相同的效果。

结果是3组，每组重复5次，也可以理解为二维表，3行，5列。先分3组（重复3次），每组重复5次。

array([[29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17]])

 

tile([29,17],[3,5,7])

结果是3组，每组一个二维表，每个二维表5行，7列，可以理解为三维表

array([[[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17, 29, 17]]])

 

tile([29,17],[3,5,7,4])

结果是4组，怎样理解？我也不知道，这已经超过了人类空间的认知。

依次分组，先分3组重复，然后分5组重复，然后分7组，最后重复4次。

如果5维会怎样？也是继续按组重复下去。先分5组，用中括号分隔。

array([[[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]]],

 

 

[[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]]],

 

 

[[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]],

 

[[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17],

[29, 17, 29, 17, 29, 17, 29, 17]]]])

 

NumPy 基本操作(数组拉伸与合并)
weixin_38477351的博客
01-15 1411
数组拉伸与合并 数组拉伸与合并： 1、数组拉伸np.tile(A, rep)函数可以将数组 A进行拉伸，沿着 A的维度重复rep次。 2、对于 ndarray数组而言，多个数组可以执行合并操作，合并的方式有多种。 ...
【Python数据分析与可视化】期末复习笔记整理（不挂科）
风口IT猪的成长录
12-13 8099
【Python数据分析与可视化】期末复习笔记3. NumPy数值计算基础忘了的函数ndarray 对象属性和数据转换4. Pandas统计分析 3. NumPy数值计算基础 忘了的函数 linspace(start, end, count)：创建等差数列 logspace(start, end, count)：创建等比数列 diag：创建对角矩阵，即对角线元素为0或指定值，其他元素为0 eye：创建一个对角线位置为1，其他位置全为0的矩阵 sort：axis=1，沿横轴排序，axis=0，沿着纵轴排序.
关于python中的repr(),str()函数，以及特殊方法__rep__,__str__
qq_41374768的博客
12-21 1291
可以看出repr()相较于str()函数多了双引号，可以简单理解为repr显示出来的内容是给机器看的，str显示出来的内容是给用户看的。 对于一般情况: 不管我们是输入对象还是print(对象),返回的都是对象的内存地址 对于方法__str__： 如果我们在终端中输入对象，会返回对象的内存地址，使用print则会自动调用方法__str__ 对于方法__repr__: 如果我们在终端中输入对...
Python中numpy_repeat()函数
sunny_qwq的博客
03-03 1万+
numpy 1.repeat（）函数用法 numpy.repeat(a, repeats, axis=None) a：输入的数组、repeats：重复的次数，int类型或int类型的array、axis：int类型（axis=0,沿着y轴复制，实际上增加了行数；axis=1,沿着x轴复制，实际上增加列数；axis=None时就会flatten（弄平）当前矩阵，实际上就是变成了一个行向量） 例1. np.repeat(3, 4) array([3, 3, 3, 3]) 例2.x = np.arra.
Numpy攻略系列：repeat函数
热门推荐
王海波的博客
01-24 11万+
Python中Numpy学习
python numpy 中 tile() 函数
duanbin的博客
03-02 243
tile( A, B ) 将A重复B次，B可以是int类型也可以是元组； >> tile( [0, 1], 1] ) # B为int类型 array([0,1]]) >> tile( [0, 1], 2 ) array([0, 1, 0, 1]) >> tile( [0, 1], (2, 1) ) # B为元组类型 array( [0, 1]
R中rep函数的使用
weixin_33758863的博客
11-08 2208
官方帮助文档如下写的： Usage rep(x, ...) rep.int(x, times) rep_len(x, length.out) Arguments x a vector (of any mode including a list) or a factor or (forreponly) aPOSIXctorPOSIXltorDa...
神奇的python numpy.tile()函数
hello_junz的专栏
04-19 436
1.tile函数说明   tile(A,reps)函数定义在python的模块numpy.lib.shape_base中，其功能是重复某个对象（比如，数组）2. 简单用法>>> import numpy >>> numpy.tile([1,2,3],2) array([1, 2, 3, 1, 2, 3]) 将数组中的元素复制2次 >>> nu...
Python Numpy 常用的50个函数详解
好记性不如烂笔头
05-09 701
Linspace Arange Uniform Random.randint digitize reshape expand_dims squeeze count_nonzero argwhere argmax & argmin sort abs round clip hstack vstack allclose
Python的50个常用Numpy 函数详解
2301_78095812的博客
07-31 1456
如果你也想自学Python，可以关注我。我会把踩过的坑分享给你，让你不要踩坑，提高学习速度，还整理出了一套系统的学习路线，这套资料涵盖了诸多学习内容：开发工具，基础视频教程，项目实战源码，51本电子书籍，100道练习题等。相信可以帮助大家在最短的时间内，能达到事半功倍效果，用来复习也是非常不错的。希望这篇文章对你有帮助，也希望能帮到大家，因为你我都是热爱python的编程语言爱好者。↓↓↓↓资料获取：已打包，添加文末 Python笔记领取即可获取！
Numpy中concatenate与tile函数详解
W_weiying的博客
04-26 1830
concatenate((a1,a2,...),axis=0) 实现numpy中数据多个数组（a1,a2,...）的拼接，axis=0沿着垂直方向，axis=1沿着水平方向。 In [245] a=np.array([[1, 2, 4, 5]]) b=np.array([[3, 4, 6, 7]]) print('Horizontal \...
Numpy中vstack与hstack函数源码
W_weiying的博客
04-25 1053
vstack与hstack函数 Numpy中用来拼接数组的基础函数。 vstack( vertical stack)：将多个数组沿竖直方向拼接 hstack( horizontal stack)：将多个数组沿水平方向拼接 In [137] a=np.array([[1, 2, 4, 5],[1, 2, 4, 5]]) b=np.array([[3, 4, 6,...
《利用python进行数据分析》读书笔记
老兵Coding
06-15 3331
《利用python进行数据分析》是一本利用python的Numpy、Pandas、Matplotlib库进行数据分析的基础介绍，非常适合初学者。 重要的python库 NumPy http://numpy.org Pandas http://pandas.pydata.org matplotlib http://matplotlib.org IPython 和 Jupyter http://ipython.org http://jupyter.org Scipy http://scipy.org sci
YOLOv9改进 | 特征融合篇，YOLOv9添加iAFF（多尺度通道注意力模块），二次创新RepNCSPELAN4结构，提升小目标检测能力
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-24 909
AFF和iAFF的示意图如下：AFF模块：通过关注通道的不同尺度（即多尺度通道注意力），解决不同层次特征融合的语义和尺度不一致问题。图（a）中两个输入特征图（X 和 Y）的信息，经过多尺度通道注意力模块（MS-CAM）后，输出特征图Z。输入特征 X 和 Y：分别表示不同层或不同尺度的特征图。它们的尺寸都是 C×H×W （C 是通道数，H 和 W 是特征图的高度和宽度）。加权乘法：首先对 X 和 Y进行通道上的加权操作，用不同的权重去强调某些通道的信息。
torch神经网络入门级设备测试
m0_71002812的博客
09-07 1398
本文介绍了一个基于PyTorch的CPU与GPU性能评估系统，用于比较不同硬件在求解常微分方程(ODE)的神经网络模型中的计算效率。系统包含以下核心功能： 自动检测CUDA可用性及GPU配置 构建多层前馈神经网络模型求解二阶ODE 性能基准测试：分别在CPU/GPU上运行相同训练任务，计算加速比 内存使用分析：对比CPU/GPU张量的内存占用情况 梯度计算专项测试：评估反向传播耗时差异 评估结果显示，在处理大规模数据(≥5000个数据点)时，GPU凭借并行计算优势可获得显著加速效果。系统适用于科研人员优化物
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
zzywxc787的博客
09-06 707
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
SAP HANA Scale-out 03：Performance Guide
最新发布
SAP攻城狮
09-10 602
HEX EngineThe SAP HANA Execution Engine (HEX)是一个查询执行引擎，从长远来看将取代其他SAP HANA引擎，如连接引擎和OLAP引擎.所有功能都整合在HEX中,从而消除不同引擎之间的物化过程。HEX引擎通过在准备阶段创建适当的SQL计划来连接SQL层和存储层。HEX引擎中的数据是流式处理的，因此可以快速获取第一批结果行，而无需等待所有结果行都被处理。HEX引擎中的操作符是管道化的，改进了并行化并可以减少内存消耗。
知识图谱——图数据库与项目构建
renjt01的博客
09-10 112
知识图谱——图数据库与项目构建 一、图数据库 1.Neo4j 2.neo4j使用 3.创建节点 4.创建关系 5.删除所有节点和关系 6.效果展示 二、知识问答项目构建 1、前端构建 2、大模型进行问题分类和命名实体识别 3、python操作neo4j数据库 4、后端构建
【Python】 数据容器通用操作完全指南
Hy_g_g_e_的博客
09-10 306
Python数据容器（如列表、元组、字符串、集合、字典等）支持多种通用操作，包括成员检测（in/not in）、长度判断（len()）、布尔判断（空容器为False）、迭代遍历（for循环、enumerate()、zip()）、比较操作（==、<）、复制操作（浅拷贝/深拷贝）以及类型转换（list()、tuple()等）。这些通用操作能提高编程效率，适用于各种常见场景，如数据验证、输入处理、数据转换等。掌握这些通用方法可以更灵活地处理不同类型的数据容器。
Pyrr：Python中NumPy扩展的3D数学函数库
### 知识点一：Python编程语言在3D数学函数库中的应用 Python是一种广泛用于科学计算和数据分析的高级编程语言。它具有简洁易读的语法，强大而又灵活的数据处理能力，这使得Python非常适合进行科学计算和构建各种...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值