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]])