有没有好的方法可以“扩展”numpy的ndarray？比如我有一个像这样的ndarray：
[[1 2]
[3 4]]
我希望每一行都包含更多的元素，通过填充零来实现：
[[1 2 0 0 0]
[3 4 0 0 0]]
我知道有一些暴力的方法可以实现这个目标（比如构造一个更大的数组并将旧的小数组元素复制到其中），只是想知道是否有Pythonic的方式来做。尝试使用numpy.reshape，但没有成功:
import numpy as np
a = np.array([[1, 2], [3, 4]])
np.reshape(a, (2, 5))
Numpy报错： ValueError: total size of new array must be unchanged
numpy.pad，如下所示：>>> import numpy as np
>>> a=[[1,2],[3,4]]
>>> np.pad(a, ((0,0),(0,3)), mode='constant', constant_values=0)
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
这里np.pad的意思是，“取数组a，在它上方添加0行，在下方添加0行，在左侧添加0列，在右侧添加3列。用由constant_values指定的constant来填充这些列。”
这里有两个索引技巧r_和c_。
>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> z = np.zeros((2, 3), dtype=a.dtype)
>>> np.c_[a, z]
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
如果这是对性能要求很高的代码，您可能更喜欢使用等效的np.concatenate而不是索引技巧。
>>> np.concatenate((a,z), axis=1)
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
还有 np.resize 和 np.ndarray.resize，但它们由于 numpy 在内存中排列数据的方式存在一些限制（请参阅这些函数的 docstring），因此不如简单地进行连接操作。
顺便说一下，当我需要执行此操作时，我通常只使用你已经提到过的基本方法（创建一个零数组并在其中分配较小的数组），我认为这样做没有任何问题！
需要明确的是：没有“好”的方法来扩展NumPy数组，因为NumPy数组不可扩展。一旦数组定义了，它在内存中占用的空间（由其元素数量和每个元素的大小组成）是固定的，不能更改。唯一能做的就是创建一个新数组，并用原始数组的元素替换其中的一些元素。
为了方便使用，有很多函数可供选择（例如np.concatenate函数及其np.*stack快捷方式、np.column_stack函数、索引例程np.r_和np.c_...），但它们只是方便函数。其中一些已经在C级别进行了优化（例如np.concatenate和其他一些函数），但并非所有函数都被优化过。
请注意，使用您最初建议的方法手动创建一个大型数组（可能填充为零），并自己填充初始数组也是完全可以的。这可能比更复杂的解决方案更易读。
np.ndarray.resize可以直接改变数组的大小，但它只在必要时重新分配数据空间。因此，+1。 - wim# what you want to expand
x = np.ones((3, 3))
# expand to what shape
target = np.zeros((6, 6))
# do expand
target[:x.shape[0], :x.shape[1]] = x
# print target
array([[ 1., 1., 1., 0., 0., 0.],
[ 1., 1., 1., 0., 0., 0.],
[ 1., 1., 1., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.]])
从https://dev59.com/P1sV5IYBdhLWcg3w0hpU#35751427 借鉴，稍作修改。
def pad(array, reference_shape, offsets=None):
"""
array: Array to be padded
reference_shape: tuple of size of narray to create
offsets: list of offsets (number of elements must be equal to the dimension of the array)
will throw a ValueError if offsets is too big and the reference_shape cannot handle the offsets
"""
if not offsets:
offsets = np.zeros(array.ndim, dtype=np.int32)
# Create an array of zeros with the reference shape
result = np.zeros(reference_shape, dtype=np.float32)
# Create a list of slices from offset to offset + shape in each dimension
insertHere = [slice(offsets[dim], offsets[dim] + array.shape[dim]) for dim in range(array.ndim)]
# Insert the array in the result at the specified offsets
result[insertHere] = array
return result
np.column_stack或append函数。import numpy as np
p = np.array([ [1,2] , [3,4] ])
p = np.column_stack( [ p , [ 0 , 0 ],[0,0] ] )
p
Out[277]:
array([[1, 2, 0, 0],
[3, 4, 0, 0]])
然而，似乎Append更快：
timeit np.column_stack( [ p , [ 0 , 0 ],[0,0] ] )
10000 loops, best of 3: 61.8 us per loop
timeit np.append(p, [[0,0],[0,0]],1)
10000 loops, best of 3: 48 us per loop
与np.c_和np.hstack的比较[附加仍然似乎是最快的]:
In [295]: z=np.zeros((2, 2), dtype=a.dtype)
In [296]: timeit np.c_[a, z]
10000 loops, best of 3: 47.2 us per loop
In [297]: timeit np.append(p, z,1)
100000 loops, best of 3: 13.1 us per loop
In [305]: timeit np.hstack((p,z))
10000 loops, best of 3: 20.8 us per loop
还有 np.concatenate [比 append 更快一些]:
In [307]: timeit np.concatenate((p, z), axis=1)
100000 loops, best of 3: 11.6 us per loop
np.concatenate((a, z), axis=1)比append更快。 - wim还有一些类似的方法，比如np.vstack、np.hstack和np.dstack。我喜欢这些方法胜过np.concatenate，因为它们明确了哪个维度被“扩展”了。
temp = np.array([[1, 2], [3, 4]])
np.hstack((temp, np.zeros((2,3))))
很容易记住，因为numpy的第一轴是垂直的，所以vstack扩展了第一轴，第二轴是水平的，所以hstack。