Arrays Numpy：将项附加到类似矩阵的数组

我以前用R编写代码，现在试图找到进入python的方法。我大部分时间都在使用列表，但现在我需要用numpy完成一些事情。不知何故，与R相比，它的工作方式似乎大不相同。大多数时候，我遇到了从不同形状广播输入阵列的问题。也许如果我能找出下面代码中的错误，我就能更好地理解numpy试图做什么，以及如何处理数组的某些部分

import numpy as np

a = np.array((1,2,3,4))
b = np.array((2,4,6,8))
c = np.array((3,6,9,12))

myArray = np.asarray((a,b,c))

现在我想在myArray的每一行后面加上它的平均值。我试过这个：

for i in range(myArray.shape[0]):
    myArray[i] = np.append(myArray[i,:], np.mean(myArray[i,:]))

我得到“无法将输入数组从形状（5）广播到形状（4）。我想，它试图将新项压缩到大小为4的旧数组中，而我想附加它。我该怎么做

我期望的输出如下所示：

[In] print myArray
[Out] [[1.0  2.0  3.0  4.0  2.5]
      [2.0, 4.0, 6.0, 8.0, 5.0]
      [3.0, 6.0, 9.0, 12.0, 7.5]]

---

使用获取跨行的平均值，然后将这些值与输入数组一起堆叠为两个“柱状块”，如下所示-

np.column_stack((myArray,myArray.mean(1)))

---

要在循环中执行此操作，需要初始化和存储，如下所示-

m,n = myArray.shape               # Get shape of input array
# Define output array with same rows as input, but one more column in it
myArrayOut = np.zeros((m,n+1))    
for i in range(myArray.shape[0]):
    # Store each row alongwith its mean as the last element
    myArrayOut[i] = np.append(myArray[i,:], np.mean(myArray[i,:]))

---

使用获取跨行的平均值，然后将这些值与输入数组一起堆叠为两个“柱状块”，如下所示-

np.column_stack((myArray,myArray.mean(1)))

---

要在循环中执行此操作，需要初始化和存储，如下所示-

m,n = myArray.shape               # Get shape of input array
# Define output array with same rows as input, but one more column in it
myArrayOut = np.zeros((m,n+1))    
for i in range(myArray.shape[0]):
    # Store each row alongwith its mean as the last element
    myArrayOut[i] = np.append(myArray[i,:], np.mean(myArray[i,:]))

---

我更新了问题并添加了所需的输出。列\u堆栈看起来很棒，但您也可以在循环中应用它吗？我可能必须为这些数组添加不同的值更新：好的，我计算了一个列表“d”“它包含所有所需的值，而不是列堆栈myArray和d。这是可行的，但我必须为每个要附加的项创建一个新列表。也许有更简单的方法吗？@offeltoffel那么，您是在寻找数组列表还是单个数组作为输出？单个数组输出将是最方便的。“初始化和存储”的想法很好，因为我总是知道最终数组的大小，所以我可以提前创建它，然后用堆叠或附加的值填充它。谢谢@offeltoffel这将取决于实际用例，但对于性能（这就是为什么人们会选择NumPy），我会选择矢量化方法。请注意这一点。我更新了问题并添加了所需的输出。列_堆栈看起来很棒，但您也可以在循环中应用它吗？我可能需要向这些数组添加不同的值来更新：好的，我计算了一个列表“d”，其中包含所有需要的值，而不是列堆栈myArray和d。这是可行的，但我必须为每个要附加的项创建一个新列表。也许有更简单的方法吗？@offeltoffel那么，您是在寻找数组列表还是单个数组作为输出？单个数组输出将是最方便的。“初始化和存储”的想法很好，因为我总是知道最终数组的大小，所以我可以提前创建它，然后用堆叠或附加的值填充它。谢谢@offeltoffel这将取决于实际用例，但对于性能（这就是为什么人们会选择NumPy），我会选择矢量化方法。请注意这一点。