如何以最简单的方式在两个维度上扩展一个numpy数组？

Question

我有一个二维数组，它看起来像这样：

XX
xx

如何以最高效的方式添加额外的行和列：

xxy
xxy
yyy

为了得到额外分数，我也想能够删除单个行和列。例如，在下面的矩阵中，我想能够删除所有a，只留下x。具体来说，我试图同时删除第n行和第n列，并且我希望尽快完成此操作：

xxaxx
xxaxx
aaaaa
xxaxx
xxaxx

- Salim Fadhley

Answer 1

就代码行数而言，我想到的最短的是针对第一个问题。

>>> import numpy as np
>>> p = np.array([[1,2],[3,4]])

>>> p = np.append(p, [[5,6]], 0)
>>> p = np.append(p, [[7],[8],[9]],1)

>>> p
array([[1, 2, 7],
   [3, 4, 8],
   [5, 6, 9]])

对于第二个问题

    p = np.array(range(20))
>>> p.shape = (4,5)
>>> p
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])
>>> n = 2
>>> p = np.append(p[:n],p[n+1:],0)
>>> p = np.append(p[...,:n],p[...,n+1:],1)
>>> p
array([[ 0,  1,  3,  4],
       [ 5,  6,  8,  9],
       [15, 16, 18, 19]])

- tomeedee

---

np.append 是 numpy 中被滥用最多的函数之一。大多数人错误地认为它就像列表的 append 方法一样。如果您必须连接数组，请直接学习使用 np.concatenate（即使它对维度和形状很挑剔）。 - hpaulj

使用带有axis参数的append相当于np.concatenate((arr, values), axis=axis)。如果没有axis参数，则首先对输入执行ravel操作，但是通过指定axis参数可以直接调用concatenate函数。 - hpaulj

Answer 2

对于第一个问题，一个有用的替代答案可以使用tomeedee的答案中提供的示例，使用numpy的vstack和column_stack方法：

给定矩阵p，

>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])

可以通过以下方式生成增广矩阵：

>>> p = np.vstack( [ p , [5 , 6] ] )
>>> p = np.column_stack( [ p , [ 7 , 8 , 9 ] ] )
>>> p
array([[1, 2, 7],
       [3, 4, 8],
       [5, 6, 9]])

相较于使用np.append()会更加方便，这些方法允许将1D数组附加到矩阵中而无需进行任何修改，与下面的情况形成对比：

>>> p = np.array([ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] )
>>> p = np.append( p , [ 7 , 8 , 9 ] , 1 )
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 3234, in append
    return concatenate((arr, values), axis=axis)
ValueError: arrays must have same number of dimensions

针对第二个问题的回答，一种不错的方法是使用逻辑数组索引来删除行和列，具体如下：

假设有一个矩阵P，

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )

假设我们想要删除第1行和第2列：

>>> r , c = 1 , 2
>>> p = p [ np.arange( p.shape[0] ) != r , : ] 
>>> p = p [ : , np.arange( p.shape[1] ) != c ]
>>> p
array([[ 0,  1,  3,  4],
       [10, 11, 13, 14],
       [15, 16, 18, 19]])

注意 - 对于使用改革后的Matlab的用户 - 如果你想要用一行代码来完成这些操作，你需要进行两次索引：

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )    
>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]

这种技术也可以扩展到去除一组行和列，因此如果我们想要删除行 0 和 2 以及列 1、2 和 3，我们可以使用numpy的setdiff1d函数生成所需的逻辑索引：

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> r = [ 0 , 2 ]
>>> c = [ 1 , 2 , 3 ]
>>> p = p [ np.setdiff1d( np.arange( p.shape[0] ), r ) , : ] 
>>> p = p [ : , np.setdiff1d( np.arange( p.shape[1] ) , c ) ]
>>> p
array([[ 5,  9],
       [15, 19]])

- rroowwllaanndd

Answer 3

第一个问题的另一个优雅的解决方案可能是insert命令:

p = np.array([[1,2],[3,4]])
p = np.insert(p, 2, values=0, axis=1) # insert values before column 2

导致：

array([[1, 2, 0],
       [3, 4, 0]])

insert 可能比 append 慢，但它可以让你轻松地用一个值填充整个行/列。

至于第二个问题，之前已经建议使用 delete ：

p = np.delete(p, 2, axis=1)

将其还原为原始数组：

array([[1, 2],
       [3, 4]])

- Björn

Answer 4

您可以使用：

您可以使用：

>>> np.concatenate([array1, array2, ...]) 

e.g.

>>> import numpy as np
>>> a = [[1, 2, 3],[10, 20, 30]]
>>> b = [[100,200,300]]
>>> a = np.array(a) # not necessary, but numpy objects prefered to built-in
>>> b = np.array(b) # "^
>>> a
array([[ 1,  2,  3],
       [10, 20, 30]])
>>> b
array([[100, 200, 300]])
>>> c = np.concatenate([a,b])
>>> c
array([[  1,   2,   3],
       [ 10,  20,  30],
       [100, 200, 300]])
>>> print c
[[  1   2   3]
 [ 10  20  30]
 [100 200 300]]

有时候，如果一个numpy数组对象的形状属性只初始化部分值，就会遇到麻烦。这个问题可以通过将元组（数组长度，元素长度）赋值给形状属性来解决。

注意：这里，“array_length”和“element_length”是整数参数，你需要用实际数值替换它们。“元组”就是用括号括起来的一对数字。

例如：

>>> import numpy as np
>>> a = np.array([[1,2,3],[10,20,30]])
>>> b = np.array([100,200,300]) # initialize b with incorrect dimensions
>>> a.shape
(2, 3)
>>> b.shape
(3,)
>>> c = np.concatenate([a,b])

Traceback (most recent call last):
  File "<pyshell#191>", line 1, in <module>
    c = np.concatenate([a,b])
ValueError: all the input arrays must have same number of dimensions
>>> b.shape = (1,3)
>>> c = np.concatenate([a,b])
>>> c
array([[  1,   2,   3],
       [ 10,  20,  30],
       [100, 200, 300]])

- Jason

Answer 5

我发现通过在一个更大的矩阵中进行赋值来"扩展"更加容易。例如：

import numpy as np
p = np.array([[1,2], [3,4]])
g = np.array(range(20))
g.shape = (4,5)
g[0:2, 0:2] = p

以下是数组：

p

   array([[1, 2],
       [3, 4]])

g:

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

赋值后的结果为g：

   array([[ 1,  2,  2,  3,  4],
       [ 3,  4,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

- ubershmekel

Answer 6

如果您希望在新位置上保持常量值，可以使用np.pad。 https://numpy.org/doc/stable/reference/generated/numpy.pad.html

>>> p = np.array([[1,2],[3,4]])
>>> np.pad(p, ((0,1),(0,1))) # Lengthen each dimension by 1.
array([[1, 2, 0],
       [3, 4, 0],
       [0, 0, 0]])

- WASDi

Answer 7

第一个问题的答案：

使用numpy.append。

http://docs.scipy.org/doc/numpy/reference/generated/numpy.append.html#numpy.append

第二个问题的答案：

使用numpy.delete。

http://docs.scipy.org/doc/numpy/reference/generated/numpy.delete.html

- user e to the power of 2pi

Answer 8

也许你需要这个。

>>> x = np.array([11,22])
>>> y = np.array([18,7,6])
>>> z = np.array([1,3,5])
>>> np.concatenate((x,y,z))
array([11, 22, 18,  7,  6,  1,  3,  5])

- fandyst