我正在尝试使用 append 用值填充一个空（不是 np.empty！）数组，但我遇到了错误：
我的代码如下：
import numpy as np
result=np.asarray([np.asarray([]),np.asarray([])])
result[0]=np.append([result[0]],[1,2])
我得到：
ValueError: could not broadcast input array from shape (2) into shape (0)
【问题讨论】：
标签： python arrays numpy append
numpy.append 总是在添加新值之前复制数组。您的代码相当于以下内容：
import numpy as np
result = np.zeros((2,0))
new_result = np.append([result[0]],[1,2])
result[0] = new_result # ERROR: has shape (2,0), new_result has shape (2,)
也许你的意思是这样做？
import numpy as np
result = np.zeros((2,0))
result = np.append([result[0]],[1,2])
【讨论】：
np.append 只是一个concatenate：return concatenate((arr, values), axis=axis)
numpy.append 与 python 中的 list.append 完全不同。我知道这让一些刚接触 numpy 的程序员望而却步。 numpy.append 更像是连接，它创建一个新数组并用旧数组中的值和要附加的新值填充它。例如：
import numpy
old = numpy.array([1, 2, 3, 4])
new = numpy.append(old, 5)
print old
# [1, 2, 3, 4]
print new
# [1, 2, 3, 4, 5]
new = numpy.append(new, [6, 7])
print new
# [1, 2, 3, 4, 5, 6, 7]
我认为您可以通过以下方式实现您的目标：
result = numpy.zeros((10,))
result[0:2] = [1, 2]
# Or
result = numpy.zeros((10, 2))
result[0, :] = [1, 2]
更新：
如果您需要使用循环创建一个 numpy 数组，并且您不提前知道数组的最终大小，您可以执行以下操作：
import numpy as np
a = np.array([0., 1.])
b = np.array([2., 3.])
temp = []
while True:
rnd = random.randint(0, 100)
if rnd > 50:
temp.append(a)
else:
temp.append(b)
if rnd == 0:
break
result = np.array(temp)
在我的示例中，结果将是一个 (N, 2) 数组，其中 N 是循环运行的次数，但显然您可以根据需要对其进行调整。
新的更新
您看到的错误与类型无关，它与您尝试连接的 numpy 数组的形状有关。如果你做np.append(a, b)a和b的形状需要匹配。如果你附加一个 (2, n) 和 (n,) 你会得到一个 (3, n) 数组。您的代码正在尝试将 (1, 0) 附加到 (2,)。这些形状不匹配，因此您会收到错误消息。
【讨论】：
此错误是由于您试图将形状 (0,) 的对象定义为形状 (2,) 的对象。如果您附加您想要的内容而不强制它等于 result[0] 则没有任何问题：
b = np.append([result[0]], [1,2])
但是当您定义 result[0] = b 时，您会将不同形状的对象等同起来，您不能这样做。你想做什么？
【讨论】：
这是在 Ipython 中运行代码的结果。注意result 是一个(2,0) 数组，2 行，0 列，0 个元素。 append 产生一个 (2,) 数组。 result[0] 是 (0,) 数组。您的错误消息与尝试将该 2 项数组分配到大小为 0 的插槽有关。由于result 是dtype=float64，因此只能将标量分配给其元素。
In [65]: result=np.asarray([np.asarray([]),np.asarray([])])
In [66]: result
Out[66]: array([], shape=(2, 0), dtype=float64)
In [67]: result[0]
Out[67]: array([], dtype=float64)
In [68]: np.append(result[0],[1,2])
Out[68]: array([ 1., 2.])
np.array 不是 Python 列表。数组的所有元素都是同一类型（由dtype 指定）。另请注意，result 不是数组数组。
结果也可以构建为
ll = [[],[]]
result = np.array(ll)
同时
ll[0] = [1,2]
# ll = [[1,2],[]]
结果不一样。
np.zeros((2,0)) 也会生成您的result。
其实result还有一个怪癖。
result[0] = 1
不会更改result 的值。它接受分配，但由于它有 0 列，所以没有地方放置 1。此分配将在结果创建为np.zeros((2,1)) 时起作用。但这仍然不能接受列表。
但如果result 有 2 列，那么您可以将 2 元素列表分配给其中的一行。
result = np.zeros((2,2))
result[0] # == [0,0]
result[0] = [1,2]
您究竟希望result 在append 操作后是什么样子？
【讨论】：
SO 线程 'Multiply two arrays element wise, where one of the arrays has arrays as elements' 有一个从数组构造数组的示例。如果子数组的大小相同，numpy 会创建一个二维数组。但如果它们的长度不同，它会用dtype=object 组成一个数组，并且子数组保持它们的身份。
之后，您可以执行以下操作：
In [5]: result=np.array([np.zeros((1)),np.zeros((2))])
In [6]: result
Out[6]: array([array([ 0.]), array([ 0., 0.])], dtype=object)
In [7]: np.append([result[0]],[1,2])
Out[7]: array([ 0., 1., 2.])
In [8]: result[0]
Out[8]: array([ 0.])
In [9]: result[0]=np.append([result[0]],[1,2])
In [10]: result
Out[10]: array([array([ 0., 1., 2.]), array([ 0., 0.])], dtype=object)
但是，我并没有立即看出这比一个或多个纯 Python 列表有什么优势。它不像二维数组那样工作。例如我必须使用result[0][1]，而不是result[0,1]。如果子数组的长度都相同，我必须使用np.array(result.tolist()) 来生成二维数组。
【讨论】：
我可能理解错了这个问题，但是如果你想声明一个特定形状但里面没有任何东西的数组，以下可能会有所帮助：
初始化空数组：
>>> a = np.zeros((0,3)) #or np.empty((0,3)) or np.array([]).reshape(0,3)
>>> a
array([], shape=(0, 3), dtype=float64)
现在您可以使用此数组向其追加形状相似的行。请记住，numpy 数组是不可变的，因此每次迭代都会创建一个新数组：
>>> for i in range(3):
... a = np.vstack([a, [i,i,i]])
...
>>> a
array([[ 0., 0., 0.],
[ 1., 1., 1.],
[ 2., 2., 2.]])
np.vstack 和 np.hstack 是组合 numpy 数组最常用的方法，但来自 Matlab 我更喜欢 np.r_ 和 np.c_：
连接一维：
>>> a = np.zeros(0)
>>> for i in range(3):
... a = np.r_[a, [i, i, i]]
...
>>> a
array([ 0., 0., 0., 1., 1., 1., 2., 2., 2.])
连接行：
>>> a = np.zeros((0,3))
>>> for i in range(3):
... a = np.r_[a, [[i,i,i]]]
...
>>> a
array([[ 0., 0., 0.],
[ 1., 1., 1.],
[ 2., 2., 2.]])
连接列：
>>> a = np.zeros((3,0))
>>> for i in range(3):
... a = np.c_[a, [[i],[i],[i]]]
...
>>> a
array([[ 0., 1., 2.],
[ 0., 1., 2.],
[ 0., 1., 2.]])
【讨论】：
a = np.zeros((0,3))