如何将行添加到numpy数组?
我有一个数组A:
A = array([[0, 1, 2], [0, 2, 0]])
如果X中每行的第一个元素满足特定条件,我希望从另一个数组X向该数组添加行。
Numpy数组没有像列表那样的“追加”方法,或者看起来。
如果A和X是列表,我只会这样做:
for i in X:
if i[0] < 3:
A.append(i)
是否有numpythonic的方式来做等效的?
谢谢,S ;-)
如何将行添加到numpy数组?
我有一个数组A:
A = array([[0, 1, 2], [0, 2, 0]])
如果X中每行的第一个元素满足特定条件,我希望从另一个数组X向该数组添加行。
Numpy数组没有像列表那样的“追加”方法,或者看起来。
如果A和X是列表,我只会这样做:
for i in X:
if i[0] < 3:
A.append(i)
是否有numpythonic的方式来做等效的?
谢谢,S ;-)
Answers:
什么X
啊 如果它是一个二维数组,你怎么能那么其行比作一个号码:i < 3
?
OP评论后编辑:
A = array([[0, 1, 2], [0, 2, 0]])
X = array([[0, 1, 2], [1, 2, 0], [2, 1, 2], [3, 2, 0]])
A
从X
第一个元素添加到所有行< 3
:
import numpy as np
A = np.vstack((A, X[X[:,0] < 3]))
# returns:
array([[0, 1, 2],
[0, 2, 0],
[0, 1, 2],
[1, 2, 0],
[2, 1, 2]])
A
。显然,对于像此答案这样的小问题,这不是问题,但是对于大数据来说可能会更麻烦。
由于这个问题已经存在了7年,所以我使用的最新版本是numpy版本1.13和python3,我在向矩阵中添加一行时也做同样的事情,请记住在第二个参数中加上双括号,否则会引起尺寸误差。
在这里我要添加矩阵A
1 2 3
4 5 6
连续
7 8 9
相同的用法 np.r_
A= [[1, 2, 3], [4, 5, 6]]
np.append(A, [[7, 8, 9]], axis=0)
>> array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
#or
np.r_[A,[[7,8,9]]]
只是对某人感兴趣,如果您想添加一列,
array = np.c_[A,np.zeros(#A's row size)]
按照我们之前在矩阵A上所做的操作,向其中添加一列
np.c_[A, [2,8]]
>> array([[1, 2, 3, 2],
[4, 5, 6, 8]])
您也可以这样做:
newrow = [1,2,3]
A = numpy.concatenate((A,newrow))
np.concatenate((A,newrow), axis=0)
1.12.1
(在Python 3中),似乎试图将向量连接到矩阵上引发上ValueError: all the input arrays must have same number of dimensions
。看起来它希望向量在愿意连接之前明确地重塑为列或行向量。
newrow = [[1,2,3]]
如果每行之后都不需要进行计算,则在python中添加行然后转换为numpy会更快。以下是使用python 3.6与numpy 1.14进行的时序测试,添加了100行,一次添加一行:
import numpy as np
from time import perf_counter, sleep
def time_it():
# Compare performance of two methods for adding rows to numpy array
py_array = [[0, 1, 2], [0, 2, 0]]
py_row = [4, 5, 6]
numpy_array = np.array(py_array)
numpy_row = np.array([4,5,6])
n_loops = 100
start_clock = perf_counter()
for count in range(0, n_loops):
numpy_array = np.vstack([numpy_array, numpy_row]) # 5.8 micros
duration = perf_counter() - start_clock
print('numpy 1.14 takes {:.3f} micros per row'.format(duration * 1e6 / n_loops))
start_clock = perf_counter()
for count in range(0, n_loops):
py_array.append(py_row) # .15 micros
numpy_array = np.array(py_array) # 43.9 micros
duration = perf_counter() - start_clock
print('python 3.6 takes {:.3f} micros per row'.format(duration * 1e6 / n_loops))
sleep(15)
#time_it() prints:
numpy 1.14 takes 5.971 micros per row
python 3.6 takes 0.694 micros per row
因此,七年前对原始问题的简单解决方案是在将行转换为numpy数组后,使用vstack()添加新行。但是更现实的解决方案应该考虑在这些情况下vstack的性能不佳。如果您不需要在每次添加后对数组进行数据分析,最好将新行缓冲到python行列表(实际上是列表列表)中,然后将它们作为一个组添加到numpy数组中在进行任何数据分析之前使用vstack()。
如果您可以在一个操作中完成构造,那么类似vstack-with-fancy-indexing的答案就是很好的方法。但是,如果您的情况更加复杂,或者您的行不断增加,那么您可能想要增加数组。实际上,执行类似这样的numpythonic方法-动态增长数组-是动态增长列表:
A = np.array([[1,2,3],[4,5,6]])
Alist = [r for r in A]
for i in range(100):
newrow = np.arange(3)+i
if i%5:
Alist.append(newrow)
A = np.array(Alist)
del Alist
列表针对这种访问模式进行了高度优化。在列表形式时,您没有方便的numpy多维索引,但是只要您要追加,就很难比行数组列表做得更好。