什么是2名维扩展numpy的阵列最简单的方法?
题
我有一个二维数组,看起来像这样:
XX
xx
什么是添加一个额外的行和列的最有效的方式:
xxy
xxy
yyy
有关的奖励积分,我想也能够击倒单个行和列,因此,例如在基体下面我想能够击倒所有的一个的仅留下X的 - 特别是我试图删除第n行,并在同一时间n列 - 我希望能够尽快做到这一点越好:
xxaxx
xxaxx
aaaaa
xxaxx
xxaxx
解决方案
在的代码我能想到的线而言最短为第一个问题。
>>> 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]])
和所述第二个问题
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]])
其他提示
:一种有用的替代回答第一个问题,使用来自强> tomeedee的答案的例子中,是使用numpy的的强> vstack 和强> column_stack <强>方法强>
给定一个矩阵P,
>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])
可以通过产生一个增广矩阵:
>>> 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]])
这些方法可以是在实践中比np.append(),因为它们允许一维数组要附加到的矩阵而不进行任何修改,而相比之下,以下情形方便:
>>> 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
<强>在回答第二个问题,一个很好的方法,以消除的行和列是使用逻辑数组索引,如下所示:强>
给定一个矩阵P,
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
假设我们要删除行1和列2:
>>> 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]])
请注意 - 为改革MATLAB用户 - 如果你想在你需要索引两次一个班轮做这些:
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]
此技术也可以被扩展以除去行和列的集,所以如果我们想删除行0 2和列1,2和3,我们可以使用numpy的的 setdiff1d 强>函数来产生所期望的逻辑索引:
>>> 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]])
另一种优雅的解决方案的第一个问题强>可以是insert
命令:
p = np.array([[1,2],[3,4]])
p = np.insert(p, 2, values=0, axis=1) # insert values before column 2
信息为:
array([[1, 2, 0],
[3, 4, 0]])
insert
可以比append
慢,但允许您使用容易一个值填充整个行/列。
至于在第二个问题下,delete
之前已经建议:
p = np.delete(p, 2, axis=1)
其中原始阵列再次恢复:
array([[1, 2],
[3, 4]])
我觉得更容易为“延长”通过在一个更大的矩阵布置。 E.g。
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
下面是数组:
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]])
和分配后得到的g
:
array([[ 1, 2, 2, 3, 4],
[ 3, 4, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
答案对第一个问题:
使用numpy.append。
HTTP://docs.scipy。组织/ DOC / numpy的/参照/生成/ numpy.append.html#numpy.append
答案第二个问题:
使用numpy.delete
您可以使用:
>>> np.concatenate([array1, array2, ...])
e.g。
>>> 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]]
〜 - + - 〜 - + - 〜 - + - 〜
有时候,你会遇到麻烦,如果一个numpy的数组对象与用于其形状属性不完整的值进行初始化。此问题是由分配给形状属性元组固定:(array_length,element_length)
注意:这里,“array_length”和“element_length”是整数参数,这在为你的替换值。 A“的元组”是在括号中只是一对数字。
e.g。
>>> 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]])
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])