ValueError：所有输入数组必须具有相同的维数

Question

np.append 有问题。

我正在尝试使用以下代码复制 20x361 矩阵 n_list_converted 的最后一列：

n_last = []
n_last = n_list_converted[:, -1]
n_lists = np.append(n_list_converted, n_last, axis=1)

但我得到错误：

ValueError：所有输入数组的维数必须相同

但是，我已经通过以下方式检查了矩阵尺寸

 print(n_last.shape, type(n_last), n_list_converted.shape, type(n_list_converted))

我得到了

(20L,) (20L, 361L)

所以尺寸匹配？哪里错了？

Answer 1

(n,) 和 (n,1) 不是同一个形状。尝试使用 [:, None] 表示法将向量转换为数组：

n_lists = np.append(n_list_converted, n_last[:, None], axis=1)

或者，在提取n_last 时，您可以使用

n_last = n_list_converted[:, -1:]

获取(20, 1) 数组。

Answer 2

您得到错误的原因是“1 x n”矩阵与长度为 n 的数组不同。

我建议改用hstack() 和vstack()。 像这样：

import numpy as np
a = np.arange(32).reshape(4,8) # 4 rows 8 columns matrix.
b = a[:,-1:]                    # last column of that matrix.

result = np.hstack((a,b))       # stack them horizontally like this:
#array([[ 0,  1,  2,  3,  4,  5,  6,  7,  7],
#       [ 8,  9, 10, 11, 12, 13, 14, 15, 15],
#       [16, 17, 18, 19, 20, 21, 22, 23, 23],
#       [24, 25, 26, 27, 28, 29, 30, 31, 31]])

请注意重复的“7、15、23、31”列。 另外，请注意我使用了a[:,-1:] 而不是a[:,-1]。我的版本生成一列：

array([[7],
       [15],
       [23],
       [31]])

而不是一行array([7,15,23,31])

---

编辑：append()要慢得多。阅读this answer。

Answer 3

如果我从一个 3x4 数组开始，然后将一个 3x1 数组与轴 1 连接起来，我将得到一个 3x5 数组：

In [911]: x = np.arange(12).reshape(3,4)
In [912]: np.concatenate([x,x[:,-1:]], axis=1)
Out[912]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])
In [913]: x.shape,x[:,-1:].shape
Out[913]: ((3, 4), (3, 1))

请注意，要连接的两个输入都有 2 个维度。

省略:，x[:,-1] 是 (3,) 形状 - 它是 1d，因此错误：

In [914]: np.concatenate([x,x[:,-1]], axis=1)
...
ValueError: all the input arrays must have same number of dimensions

np.append 的代码是（在这种情况下指定了轴）

return concatenate((arr, values), axis=axis)

所以只要稍微改变语法append 就可以了。它需要 2 个参数，而不是一个列表。它模仿列表append 是语法，但不应与该列表方法混淆。

In [916]: np.append(x, x[:,-1:], axis=1)
Out[916]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

np.hstack 首先确保所有输入都是atleast_1d，然后进行连接：

return np.concatenate([np.atleast_1d(a) for a in arrs], 1)

所以它需要相同的x[:,-1:] 输入。基本相同的操作。

np.column_stack 也在轴 1 上进行连接。但首先它通过 1d 输入

array(arr, copy=False, subok=True, ndmin=2).T

这是将 (3,) 数组转换为 (3,1) 数组的一般方法。

In [922]: np.array(x[:,-1], copy=False, subok=True, ndmin=2).T
Out[922]: 
array([[ 3],
       [ 7],
       [11]])
In [923]: np.column_stack([x,x[:,-1]])
Out[923]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

所有这些“堆栈”都很方便，但从长远来看，了解尺寸和基础np.concatenate 很重要。还知道如何查找此类函数的代码。我经常使用ipython ?? 魔法。

在时间测试中，np.concatenate 明显更快 - 对于这样的小数组，额外的函数调用层会产生很大的时间差异。

Answer 4

您还可以通过将 (n,) 括在括号 [ ] 中将 (n,) 转换为 (n,1)。

例如而不是np.append(b,a,axis=0) 使用np.append(b,[a],axis=0)

a=[1,2]
b=[[5,6],[7,8]]
np.append(b,[a],axis=0)

返回

array([[5, 6],
       [7, 8],
       [1, 2]])