【发布时间】：2010-10-27 00:32:31
【问题描述】：
我有一个如下所示的二维数组：
XX
xx
添加额外行和列的最有效方法是什么：
xxy
xxy
yyy
对于加分，我还希望能够剔除单行和单列，例如，在下面的矩阵中，我希望能够剔除所有的 a，只留下 x - 特别是我正在尝试同时删除第 n 行和第 n 列 - 我希望能够尽快执行此操作：
xxaxx
xxaxx
aaaaa
xxaxx
xxaxx
【问题讨论】：
【发布时间】：2010-10-27 00:32:31
【问题描述】：
我能想到的最短的代码行是第一个问题。
>>> 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]])
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]])
【讨论】：
-
np.append是numpy中被滥用最多的函数之一。大多数情况下，人们认为它就像列表附加一样。如果一定要加入数组，学会直接使用np.concatenate（即使对尺寸和形状很挑剔）。 -
append和axis只是：np.concatenate((arr, values), axis=axis)。没有axis，它首先分解输入，但使用axis，它直接调用concatenate。
第一个问题的有用替代答案，使用来自 tomeedee 答案的示例，将使用numpy的 vstack 和 column_stack 方法：
给定一个矩阵 p，
>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])
增广矩阵可以通过以下方式生成：
>>> 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]])
这些方法在实践中可能比 np.append() 方便，因为它们允许将一维数组附加到矩阵而无需任何修改，这与以下情况相反：
>>> 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
回答第二个问题，删除行和列的好方法是使用逻辑数组索引，如下所示：
给定一个矩阵 p，
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
假设我们要删除第 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 - 对于改革后的 Matlab 用户 - 如果您想在单行中执行这些操作，您需要索引两次：
>>> 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为删除行和列的sets，所以如果我们想删除第 0 行和第 2 行以及第 1、2 和 3 列，我们可以使用 numpy 的 setdiff1d 生成所需逻辑索引的函数：
>>> 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]])
【讨论】：
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
【讨论】：
我发现通过分配更大的矩阵来“扩展”要容易得多。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
这里是数组：
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]])
以及赋值后得到的g：
array([[ 1, 2, 2, 3, 4],
[ 3, 4, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
【讨论】：
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])
【讨论】：
第一个问题的另一个优雅解决方案可能是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，但允许您轻松地用一个值填充整个行/列。
至于第二个问题，delete之前已经推荐过：
p = np.delete(p, 2, axis=1)
又恢复了原来的数组：
array([[1, 2],
[3, 4]])
【讨论】：
你可以使用：
>>> np.concatenate([array1, array2, ...])
例如
>>> 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，如果 numpy 数组对象的 shape 属性值不完整，您会遇到麻烦。通过将元组分配给形状属性来解决此问题：(array_length, element_length)。
注意：这里，'array_length' 和 'element_length' 是整数参数，您可以将它们替换为 for。 “元组”只是括号中的一对数字。
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]])
【讨论】：
如果你想在新的位置有一个常数值，你可以使用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]])
【讨论】：