给定以下2D数组：
a = np.array([
[1, 2, 3],
[2, 3, 4],
])
我想在第二个轴上添加一列零，以获得：
b = np.array([
[1, 2, 3, 0],
[2, 3, 4, 0],
])
17个回答
490
`np.r_[...]` (docs) 和 `np.c_[...]` (docs) 是替代 `np.vstack` 和 `np.hstack` 的有用方法。
请注意，它们使用方括号 [] 而不是圆括号 ()。
一些示例：
方括号 [] 而不是圆括号 () 的原因是，Python 将
一些示例：
: import numpy as np
: N = 3
: A = np.eye(N)
: np.c_[ A, np.ones(N) ] # add a column
array([[ 1., 0., 0., 1.],
[ 0., 1., 0., 1.],
[ 0., 0., 1., 1.]])
: np.c_[ np.ones(N), A, np.ones(N) ] # or two
array([[ 1., 1., 0., 0., 1.],
[ 1., 0., 1., 0., 1.],
[ 1., 0., 0., 1., 1.]])
: np.r_[ A, [A[1]] ] # add a row
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 1., 0.]])
: # not np.r_[ A, A[1] ]
: np.r_[ A[0], 1, 2, 3, A[1] ] # mix vecs and scalars
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], [1, 2, 3], A[1] ] # lists
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], (1, 2, 3), A[1] ] # tuples
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], 1:4, A[1] ] # same, 1:4 == arange(1,4) == 1,2,3
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
方括号 [] 而不是圆括号 () 的原因是，Python 将
1:4 转换为方括号中的切片对象。- denis
7
232
我认为一个更加直接且速度更快的解决方法是执行以下操作：
import numpy as np
N = 10
a = np.random.rand(N,N)
b = np.zeros((N,N+1))
b[:,:-1] = a
还有时间：
In [23]: N = 10
In [24]: a = np.random.rand(N,N)
In [25]: %timeit b = np.hstack((a,np.zeros((a.shape[0],1))))
10000 loops, best of 3: 19.6 us per loop
In [27]: %timeit b = np.zeros((a.shape[0],a.shape[1]+1)); b[:,:-1] = a
100000 loops, best of 3: 5.62 us per loop
- JoshAdel
7
27我想将一个形状为(985,1)的np数组追加到一个形状为(985,2)的np数组中，使其变成一个形状为(985,3)的np数组，但是我的代码出了问题。我收到了“无法将输入数组从形状（985）广播到形状（985,1）”的错误。
我的代码有什么问题？
代码：np.hstack(data，data1)。您可以尝试使用以下代码来解决这个问题：
np.hstack((data, data1.reshape(-1, 1)))
这将把形状为(985,1)的np数组转换为形状为(985,)的一维数组，并将它与形状为(985,2)的np数组水平拼接，最终生成形状为(985,3)的np数组。 - Outlier
8@Outlier，你应该发布一个新问题而不是在评论中问一个问题。 - JoshAdel
4@JoshAdel：我在IPython上尝试了你的代码，我认为有语法错误。你可能需要将
a = np.random.rand((N,N))更改为a = np.random.rand(N,N)来尝试一下。 - hlin117我猜这对于 OP 所要求的内容来说有点过度。OP 的回答很适合！ - lft93ryt
2这只是一个关于执行追加、插入或堆栈的技巧，不应该被接受为答案。工程师们应该考虑使用下面的答案。 - cinqS
显示剩余2条评论
209
使用
numpy.append函数：>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> z = np.zeros((2,1), dtype=int64)
>>> z
array([[0],
[0]])
>>> np.append(a, z, axis=1)
array([[1, 2, 3, 0],
[2, 3, 4, 0]])
- gemy
3
3当插入更复杂的列时，这很有用。 - Thomas Ahle
8相对于@JoshAdel的回答，这个更加直接明了，但在处理大型数据集时速度较慢。我会根据可读性的重要性来选择其中之一。 - dvj
7"append"实际上只是调用了"concatenate"。 - rll
78
使用 hstack 的一种方法是：
b = np.hstack((a, np.zeros((a.shape[0], 1), dtype=a.dtype)))
- Peter Smit
4
5我认为这是最优雅的解决方案。 - silvado
2+1 - 这是我会这样做的方式 - 你打我一步把它作为答案发布了:)。 - Blair
3删除
dtype 参数，它不是必要的，甚至是不允许的。虽然你的解决方案已经足够优雅，但如果需要频繁“添加”到数组中，请注意不要使用它。如果无法一次性创建整个数组并稍后填充它，则创建一个数组列表，然后一次性使用 hstack 连接所有数组。 - eumiro2@eumiro 我不确定我是如何把dtype放错位置的，但np.zeros需要一个dtype来避免所有东西变成浮点数（而a是整数）。 - Peter Smit
73
我也对这个问题很感兴趣，比较了一下速度。
numpy.c_[a, a]
numpy.stack([a, a]).T
numpy.vstack([a, a]).T
numpy.ascontiguousarray(numpy.stack([a, a]).T)
numpy.ascontiguousarray(numpy.vstack([a, a]).T)
numpy.column_stack([a, a])
numpy.concatenate([a[:,None], a[:,None]], axis=1)
numpy.concatenate([a[None], a[None]], axis=0).T
以下所有方法对于任何输入向量a都会执行相同的操作。增长a的时间如下：
请注意，所有非连续变体（特别是stack/vstack）最终比所有连续变体更快。如果您需要连续性，则column_stack（因其清晰度和速度而言）似乎是一个不错的选择。
用于复制图的代码：
import numpy as np
import perfplot
b = perfplot.bench(
setup=np.random.rand,
kernels=[
lambda a: np.c_[a, a],
lambda a: np.ascontiguousarray(np.stack([a, a]).T),
lambda a: np.ascontiguousarray(np.vstack([a, a]).T),
lambda a: np.column_stack([a, a]),
lambda a: np.concatenate([a[:, None], a[:, None]], axis=1),
lambda a: np.ascontiguousarray(np.concatenate([a[None], a[None]], axis=0).T),
lambda a: np.stack([a, a]).T,
lambda a: np.vstack([a, a]).T,
lambda a: np.concatenate([a[None], a[None]], axis=0).T,
],
labels=[
"c_",
"ascont(stack)",
"ascont(vstack)",
"column_stack",
"concat",
"ascont(concat)",
"stack (non-cont)",
"vstack (non-cont)",
"concat (non-cont)",
],
n_range=[2 ** k for k in range(23)],
xlabel="len(a)",
)
b.save("out.png")
- Nico Schlömer
7
4好的图表！只是想让你知道，在幕后，
stack、hstack、vstack、column_stack、dstack等函数都是在np.concatenate函数之上构建的辅助函数。通过跟踪stack的定义，我发现np.stack([a,a])调用了np.concatenate([a[None], a[None]], axis=0)。将np.concatenate([a[None], a[None]], axis=0).T添加到perfplot中可能很好，以显示np.concatenate始终至少与其辅助函数一样快。 - unutbu1@unutbu 已经添加了。 - Nico Schlömer
不错的库，从未听说过！有趣的是，我得到了完全相同的绘图，只是堆叠和连接在两个变体（连续和非连续）中交换了位置。此外，concat-column和column_stack也被交换了。 - Antony Hatchkins
2哇，喜欢这些图表！ - jhegedus
2似乎对于将列附加到数组的递归操作，例如 b = [b, a]，某些命令无法正常工作（会引发关于不相等维度的错误）。唯一两个似乎能够处理大小不同的数组（即一个是矩阵，另一个是1D向量）的命令是
c_ 和 column_stack。 - Confounded显示剩余2条评论
57
我认为以下内容非常优雅：
b = np.insert(a, 3, values=0, axis=1) # Insert values before column 3
b = np.insert(a, insert_index, values=a[:,2], axis=1)
这导致：
array([[1, 2, 3, 3],
[2, 3, 4, 4]])
就时间而言，insert 可能比JoshAdel的解决方案慢：
In [1]: N = 10
In [2]: a = np.random.rand(N,N)
In [3]: %timeit b = np.hstack((a, np.zeros((a.shape[0], 1))))
100000 loops, best of 3: 7.5 µs per loop
In [4]: %timeit b = np.zeros((a.shape[0], a.shape[1]+1)); b[:,:-1] = a
100000 loops, best of 3: 2.17 µs per loop
In [5]: %timeit b = np.insert(a, 3, values=0, axis=1)
100000 loops, best of 3: 10.2 µs per loop
- Björn
2
1这很不错。可惜我不能执行
insert(a, -1, ...) 来添加列。看来我只能将其放在最前面了。 - Thomas Ahle3你可以通过使用
a.shape[axis]获取指定轴向上的大小来追加一行或一列。例如，若要追加一行，可以使用np.insert(a, a.shape[0], 999, axis=0)命令；若要追加一列，可以使用np.insert(a, a.shape[1], 999, axis=1)命令。请注意，不要改变原文的意思。 - blubberdiblub35
我认为：
np.column_stack((a, zeros(shape(a)[0])))
更加优美。
- user2820502
15
假设
M 是一个形状为 (100,3) 的 ndarray，y 是一个形状为 (100,) 的 ndarray，则可以按照以下方式使用 append：M=numpy.append(M,y[:,None],1)
诀窍在于使用
y[:, None]
这将y转换为一个形状为(100, 1)的二维数组。
M.shape
现在提供
(100, 4)
- Roel Verhoeven
1
1你知道吗？你是个英雄！这正是我过去一小时里苦苦思索的问题！谢谢！ - John Doe
14
给numpy数组添加额外列：
Numpy的np.append方法有三个参数，前两个是2D numpy数组，第三个是轴参数，指示在哪个轴上附加：
import numpy as np
x = np.array([[1,2,3], [4,5,6]])
print("Original x:")
print(x)
y = np.array([[1], [1]])
print("Original y:")
print(y)
print("x appended to y on axis of 1:")
print(np.append(x, y, axis=1))
输出:
Original x:
[[1 2 3]
[4 5 6]]
Original y:
[[1]
[1]]
y appended to x on axis of 1:
[[1 2 3 1]
[4 5 6 1]]
- Hassan Bahaloo
2
3请注意，此处将y附加到x而非将x附加到y，这就是为什么y的列向量在结果中位于x的列向量右侧的原因。 - Brian Popeck
我更新了答案以反映布赖恩的评论。"x附加到y" → "y附加到x" - nacho4d
13
np.concatenate 也可以使用
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> z = np.zeros((2,1))
>>> z
array([[ 0.],
[ 0.]])
>>> np.concatenate((a, z), axis=1)
array([[ 1., 2., 3., 0.],
[ 2., 3., 4., 0.]])
- han4wluc
1
在2x1、2x2和2x3矩阵中，
np.concatenate似乎比np.hstack快3倍。在我的实验中，np.concatenate也比手动将矩阵复制到空矩阵中略微快一些。这与Nico Schlömer在下面的回答一致。 - Lenar Hoyt网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
np.c_[*iterable]；请参见expression-lists。 - denis