如何从多维数组中提取列？

有人知道如何在Python中从多维数组中提取列吗？

>>> import numpy as np
>>> A = np.array([[1,2,3,4],[5,6,7,8]])

>>> A
array([[1, 2, 3, 4],
    [5, 6, 7, 8]])

>>> A[:,2] # returns the third columm
array([3, 7])

另请参阅：“ numpy.arange”和“ reshape”以分配内存

示例：（使用矩阵整形（3x4）分配数组）

nrows = 3
ncols = 4
my_array = numpy.arange(nrows*ncols, dtype='double')
my_array = my_array.reshape(nrows, ncols)

可能是您正在使用NumPy数组吗？Python具有数组模块，但是不支持多维数组。普通的Python列表也是一维的。

但是，如果您有一个简单的二维列表，例如：

A = [[1,2,3,4],
     [5,6,7,8]]

然后您可以提取一个像这样的列：

def column(matrix, i):
    return [row[i] for row in matrix]

提取第二列（索引1）：

>>> column(A, 1)
[2, 6]

或者，简单地：

>>> [row[1] for row in A]
[2, 6]

如果你有一个像

a = [[1, 2], [2, 3], [3, 4]]

然后像这样提取第一列：

[row[0] for row in a]

所以结果看起来像这样：

[1, 2, 3]

看看这个！

a = [[1, 2], [2, 3], [3, 4]]
a2 = zip(*a)
a2[0]

它与上面相同，只是它使zip工作更整洁，但需要单个数组作为参数，* a语法将多维数组解压缩为单个数组参数

def get_col(arr, col):
    return map(lambda x : x[col], arr)

a = [[1,2,3,4], [5,6,7,8], [9,10,11,12],[13,14,15,16]]

print get_col(a, 3)

Python中的map函数是另一种方法。

>>> x = arange(20).reshape(4,5)
>>> x array([[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]])

如果您想使用第二栏，可以使用

>>> x[:, 1]
array([ 1,  6, 11, 16])

[matrix[i][column] for i in range(len(matrix))]

如果您喜欢map-reduce样式的python，而不是列表推导，itemgetter运算符也可以提供帮助！

# tested in 2.4
from operator import itemgetter
def column(matrix,i):
    f = itemgetter(i)
    return map(f,matrix)

M = [range(x,x+5) for x in range(10)]
assert column(M,1) == range(1,11)

您也可以使用此：

values = np.array([[1,2,3],[4,5,6]])
values[...,0] # first column
#[1,4]

注意：这不适用于内置数组且未对齐（例如np.array（[[1,2,3]，[4,5,6,7]]））

我想您想从数组（例如下面的数组）中提取列

import numpy as np
A = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

现在，如果要获取格式的第三列

D=array[[3],
[7],
[11]]

然后，您需要首先使数组成为矩阵

B=np.asmatrix(A)
C=B[:,2]
D=asarray(C)

现在，您可以像在excel中一样进行元素明智的计算。

假设我们有n X m矩阵（n行和m列）说5行和4列

matrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]]

要提取python中的列，我们可以像这样使用列表理解

[ [row[i] for row in matrix] for in range(4) ]

您可以将矩阵中的列数替换为4。结果是

[ [1,5,9,13,17],[2,10,14,18],[3,7,11,15,19],[4,8,12,16,20] ]

array = [[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]

col1 = [val[1] for val in array]
col2 = [val[2] for val in array]
col3 = [val[3] for val in array]
col4 = [val[4] for val in array]
print(col1)
print(col2)
print(col3)
print(col4)

Output:
[1, 5, 9, 13]
[2, 6, 10, 14]
[3, 7, 11, 15]
[4, 8, 12, 16]

使用矩阵的另一种方法

>>> from numpy import matrix
>>> a = [ [1,2,3],[4,5,6],[7,8,9] ]
>>> matrix(a).transpose()[1].getA()[0]
array([2, 5, 8])
>>> matrix(a).transpose()[0].getA()[0]
array([1, 4, 7])

如果您在Python中有一个二维数组（不是numpy），则可以像这样提取所有列，

data = [
['a', 1, 2], 
['b', 3, 4], 
['c', 5, 6]
]

columns = list(zip(*data))

print("column[0] = {}".format(columns[0]))
print("column[1] = {}".format(columns[1]))
print("column[2] = {}".format(columns[2]))

执行此代码会产生

>>> print("column[0] = {}".format(columns[0]))
column[0] = ('a', 'b', 'c')

>>> print("column[1] = {}".format(columns[1]))
column[1] = (1, 3, 5)

>>> print("column[2] = {}".format(columns[2]))
column[2] = (2, 4, 6)

当然，您可以按索引提取单个列（例如columns[0]）

尽管使用zip(*iterable)了转置嵌套列表，但是如果嵌套列表的长度不同，也可以使用以下内容：

map(None, *[(1,2,3,), (4,5,), (6,)])

结果是：

[(1, 4, 6), (2, 5, None), (3, None, None)]

因此，第一列是：

map(None, *[(1,2,3,), (4,5,), (6,)])[0]
#>(1, 4, 6)

好吧，有点晚...

如果性能很重要并且您的数据呈矩形，则也可以将其存储为一维，并通过常规切片访问列，例如...

A = [[1,2,3,4],[5,6,7,8]]     #< assume this 4x2-matrix
B = reduce( operator.add, A ) #< get it one-dimensional

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx::dimX]

def row1d( matrix, dimX, rowIdx ):
  return matrix[rowIdx:rowIdx+dimX] 

>>> column1d( B, 4, 1 )
[2, 6]
>>> row1d( B, 4, 1 )
[2, 3, 4, 5]

整洁的是，这真的很快。但是，负索引在这里不起作用！因此，您无法按索引-1访问最后一列或最后一行。

如果需要负索引，可以稍微调整访问器功能，例如

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx % dimX::dimX]

def row1d( matrix, dimX, dimY, rowIdx ):
  rowIdx = (rowIdx % dimY) * dimX
  return matrix[rowIdx:rowIdx+dimX]

如果要获取不止一列，请使用slice：

 a = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
    print(a[:, [1, 2]])
[[2 3]
[5 6]
[8 9]]

我更喜欢下一条提示：将矩阵命名为matrix_ause column_number，例如：

import numpy as np
matrix_a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
column_number=2

# you can get the row from transposed matrix - it will be a column:
col=matrix_a.transpose()[column_number]

只需使用transpose（），然后您就可以像获得行一样轻松获得列

matrix=np.array(originalMatrix).transpose()
print matrix[NumberOfColum]

矩阵中的所有列到新列表中：

N = len(matrix) 
column_list = [ [matrix[row][column] for row in range(N)] for column in range(N) ]