Python 向Numpy数组添加新列的最佳方法

我想给矩阵加一个向量

向量当前是一个列表（尽管很容易转换为1D Numpy数组）

矩阵目前是一个Numpy数组

我在想，我可以将矩阵重塑为矩阵，然后循环最后一列，添加所需的值。但是，我不确定如何以这种方式重塑矩阵（即添加列）。我还希望我不必使用for循环

---

我研究了如何使用

np.concatenate

，

np.hstack

，以及

np.append

。但是，我认为我需要创建一个原始矩阵，作为列all

None

的矩阵。这对我不起作用，因为在我需要将最后一个向量添加到矩阵之前，我使用这个矩阵进行许多计算

如果两者都是形状正确的numpy阵列，它将自动工作，这要归功于广播：

>>> m, n = 5, 6
>>> import numpy as np
>>> a = np.random.rand(5)
>>> b = np.random.rand(5, 6)
>>> a + b
Traceback (most recent call last):
  File "<input>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (5,) (5,6)
>>> a = a.reshape((5, 1))
>>> a + b
array([[ 0.79046654,  0.81610381,  1.6719495 ,  1.46325624,  0.92063256,
         1.06377227],
       [ 1.6789712 ,  1.39644844,  0.94905931,  0.95343555,  1.02492318,
         1.15156054],
       [ 1.37071564,  0.96554418,  1.75242678,  1.33323359,  1.00644693,
         1.08850993],
       [ 1.03423776,  1.03496123,  0.82535266,  0.12488793,  0.45481279,
         0.90367567],
       [ 0.51112569,  0.49737014,  1.01857201,  0.64392256,  0.23526375,
         1.12763083]])
>>> 

>m，n=5,6
>>>将numpy作为np导入
>>>a=np.rand.rand（5）
>>>b=np.rand.rand（5,6）
>>>a+b
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
ValueError:操作数无法与形状（5，）（5,6）一起广播
>>>a=a.重塑（5，1））
>>>a+b
阵列（[[0.79046654，0.81610381，1.6719495，1.46325624，0.92063256，
1.06377227],
[ 1.6789712 ,  1.39644844,  0.94905931,  0.95343555,  1.02492318,
1.15156054],
[ 1.37071564,  0.96554418,  1.75242678,  1.33323359,  1.00644693,
1.08850993],
[ 1.03423776,  1.03496123,  0.82535266,  0.12488793,  0.45481279,
0.90367567],
[ 0.51112569,  0.49737014,  1.01857201,  0.64392256,  0.23526375,
1.12763083]])
>>> 

看

---

如果两者都是形状正确的numpy阵列，则由于广播，它将自动工作：

>>> m, n = 5, 6
>>> import numpy as np
>>> a = np.random.rand(5)
>>> b = np.random.rand(5, 6)
>>> a + b
Traceback (most recent call last):
  File "<input>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (5,) (5,6)
>>> a = a.reshape((5, 1))
>>> a + b
array([[ 0.79046654,  0.81610381,  1.6719495 ,  1.46325624,  0.92063256,
         1.06377227],
       [ 1.6789712 ,  1.39644844,  0.94905931,  0.95343555,  1.02492318,
         1.15156054],
       [ 1.37071564,  0.96554418,  1.75242678,  1.33323359,  1.00644693,
         1.08850993],
       [ 1.03423776,  1.03496123,  0.82535266,  0.12488793,  0.45481279,
         0.90367567],
       [ 0.51112569,  0.49737014,  1.01857201,  0.64392256,  0.23526375,
         1.12763083]])
>>> 

>m，n=5,6
>>>将numpy作为np导入
>>>a=np.rand.rand（5）
>>>b=np.rand.rand（5,6）
>>>a+b
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
ValueError:操作数无法与形状（5，）（5,6）一起广播
>>>a=a.重塑（5，1））
>>>a+b
阵列（[[0.79046654，0.81610381，1.6719495，1.46325624，0.92063256，
1.06377227],
[ 1.6789712 ,  1.39644844,  0.94905931,  0.95343555,  1.02492318,
1.15156054],
[ 1.37071564,  0.96554418,  1.75242678,  1.33323359,  1.00644693,
1.08850993],
[ 1.03423776,  1.03496123,  0.82535266,  0.12488793,  0.45481279,
0.90367567],
[ 0.51112569,  0.49737014,  1.01857201,  0.64392256,  0.23526375,
1.12763083]])
>>> 

看

您可以使用：

---

但是，请注意，最好首先分配所需的大小合适（最大）的数组，因为像

np.column\u stack

或

np.append

这样的操作可能需要为较大的数组分配新空间，并将

arr

中的所有值复制到新数组中。这可能很慢，而且内存效率也很低。（当您只需要一个阵列时，为什么要为两个几乎相同的阵列分配空间？）

因此，您可以使用

arr = np.empty((3, 5))  # the size of the final, biggest array
smallarr = arr[:, :-1]  

由于

arr[：，：-1]

是

arr

的基本部分，

smallarr

是arr的视图。修改

smallarr

也会影响

arr

例如：

In [117]: arr = np.empty((3, 5))

In [118]: smallarr = arr[:, :-1]

In [119]: smallarr[...] = np.arange(12).reshape(3,4)

In [123]: arr[:, -1] = v

In [124]: arr
Out[124]: 
array([[  0.,   1.,   2.,   3.,   1.],
       [  4.,   5.,   6.,   7.,   2.],
       [  8.,   9.,  10.,  11.,   3.]])

当分配给

smallarr

时，只需确保使用

smallarr[…]=…

而不是

smallarr=…

，因为您希望就地修改

smallarr

，而不是将变量名重定向到新对象

您还可以使用许多NumPy函数中可用的

out

参数修改

smallarr

。除了返回值外，函数还将值写入

out

参数指定的数组

因此，您可以在

smallarr

上进行计算，并对

arr

进行修改，使其大小合适，所有计算都以节省内存的方式完成。

您可以使用：

---

但是，请注意，最好首先分配所需的大小合适（最大）的数组，因为像

np.column\u stack

或

np.append

这样的操作可能需要为较大的数组分配新空间，并将

arr

中的所有值复制到新数组中。这可能很慢，而且内存效率也很低。（当您只需要一个阵列时，为什么要为两个几乎相同的阵列分配空间？）

因此，您可以使用

arr = np.empty((3, 5))  # the size of the final, biggest array
smallarr = arr[:, :-1]  

由于

arr[：，：-1]

是

arr

的基本部分，

smallarr

是arr的视图。修改

smallarr

也会影响

arr

例如：

In [117]: arr = np.empty((3, 5))

In [118]: smallarr = arr[:, :-1]

In [119]: smallarr[...] = np.arange(12).reshape(3,4)

In [123]: arr[:, -1] = v

In [124]: arr
Out[124]: 
array([[  0.,   1.,   2.,   3.,   1.],
       [  4.,   5.,   6.,   7.,   2.],
       [  8.,   9.,  10.,  11.,   3.]])

当分配给

smallarr

时，只需确保使用

smallarr[…]=…

而不是

smallarr=…

，因为您希望就地修改

smallarr

，而不是将变量名重定向到新对象

您还可以使用许多NumPy函数中可用的

out

参数修改

smallarr

。除了返回值外，函数还将值写入

out

参数指定的数组

---

因此，您可以在

smallarr

上进行计算，并对

arr

进行修改，使其大小合适，所有操作都以节省内存的方式完成。

如何让Latex代码在这里工作？有。请参见@FredrikPihl-我刚刚使用URL解释Latex，但只有一个URL实际工作。。我检查了所有这些，它们都给出了我想在这个问题中展示的正确公式。有什么帮助吗？我如何让Latex代码在这里工作？有。请参见@FredrikPihl-我刚刚使用URL解释Latex，但只有一个URL实际工作。。我检查了所有这些，它们都给出了我想在这个问题中展示的正确公式。有什么帮助吗？这个答案是错误的。这段代码在做什么