python多维数组添加行_python-在2维中扩展numpy数组的最简单方法是什么？

使用tomeedee的答案中的示例，第一个问题的一个有用的替代答案是使用numpy的vstack和column_stack方法：

给定矩阵p

>>> import numpy as np

>>> p = np.array([ [1,2] , [3,4] ])

增强矩阵可以通过以下方式生成：

>>> 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（）更为方便，因为与以下情况相比，它们允许将一维数组无需任何修改即可附加到矩阵上：

>>> p = np.array([ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] )

>>> p = np.append( p , [ 7 , 8 , 9 ] , 1 )

Traceback (most recent call last):

File "", line 1, in

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-如果您想以单行代码进行操作，则需要索引两次：

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )

>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]

还可以扩展此技术以删除行和列的集合，因此，如果要删除行0和2以及列1、2和3，可以使用numpy的setdiff1d函数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]])