Sal*_*ley 45 python arrays math numpy
我有一个看起来像这样的2d数组:
XX
xx
添加额外行和列的最有效方法是什么:
xxy
xxy
yyy
对于奖励积分,我也希望能够淘汰单行和列,所以例如在下面的矩阵中我希望能够淘汰所有的只留下x的 - 特别是我是试图同时删除第n行和第n列 - 我希望能够尽快完成此操作:
xxaxx
xxaxx
aaaaa
xxaxx
xxaxx
tom*_*dee 51
我能想到的代码行中最短的是第一个问题.
>>> 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]])
而对于第二个问题
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]])
rro*_*ndd 36
一个有用的替代回答第一个问题,用实例从 tomeedee的答案,是使用numpy的的 vstack 和 column_stack 方法:
给定矩阵p,
>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])
可以通过以下方式生成增广矩阵:
>>> 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]])
这些方法在实践中可能比np.append()更方便,因为它们允许将1D数组附加到矩阵而不进行任何修改,这与以下场景形成对比:
>>> 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
在回答第二个问题时,删除行和列的一种好方法是使用逻辑数组索引,如下所示:
给定矩阵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 - 如果你想在单行中做这些,你需要索引两次:
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]
此技术也可以扩展为删除行和列的集合,因此如果我们想要删除行0和2以及第1,2和3列,我们可以使用numpy的setdiff1d函数来生成所需的逻辑索引:
>>> 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]])
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可能比较慢,append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之前有人建议:
p = np.delete(p, 2, axis=1)
这会再次恢复原始数组:
array([[1, 2],
[3, 4]])
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
以下是数组：
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g分配后的结果：
array([[ 1, 2, 2, 3, 4],
[ 3, 4, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
您可以使用：
>>> 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 数组对象使用不完整的 shape 属性值初始化，您会遇到麻烦。这个问题是通过将元组分配给形状属性来解决的：(array_length, element_length)。
注意：这里，'array_length' 和 'element_length' 是整数参数，您可以将其替换为值。“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]])