具有固定长度但连续填充新值的Python数组

让我们假设我们有一个变量（shape（1，N，a，b，c））来存储具有shape（a，b，c）的numpy数组。我首先想用零初始化这个变量

import numpy as np
N = 5
a = 20
b = 40
c = 4
storage = np.zeros(1, N, a, b, c)
# collect new arrays
while True:
    values = np.random.random((a, b, c))  # np.array with shape (a, b, c)
    save_values_to_storage(values)

函数save_values_to_storage（values）的目标是填充存储器中的值。在第一个循环中，存储器的（1，N，…）值将被

值填充。在下一个循环（1，N，…）中，存储器的值将被
值填充
，之前的值将被移动到（1，N-1，…）。等等如果第一个存储的
值
到达第一个位置（1，1，…），并且检索并存储了新的
值
，则第一个
值
将被丢弃，以便新的
值
存储在位置（1，N，…），所有其他值将按其位置减少

我不知道我怎么能做出这样的行为。有点像
numpy数组的队列。因此，我的问题是如何实现
功能
将值保存到存储（值）

Edit：似乎
deque
与之类似。但是我不知道如何将它们用于numpy阵列
我想我解决了这个问题。我不确定这是否是最好的方法。我感谢任何改进

import numpy as np
import random

N = 5
a = 20
b = 40
c = 4
inputs = np.zeros((N, a, b, c))
for i in range(0, 10):
    # replace right hand side with method that gets values
    values = np.random.random((a, b, c))
    # expand the dimension to fit to inputs
    values = np.expand_dims(values, axis=0)
    # delete values in first entry of inputs
    inputs = np.delete(inputs, obj=0, axis=0)
    # concatenate inputs and values to a new array
    inputs = np.concatenate([inputs, values], axis=0)
    # for debugging
    # print('shape: {}'.format(inputs.shape))

# expand the dimension with an additional first dimension to achieve (1, N, a, b, c)  # shape.
inputs = np.expand_dims(inputs, axis = 0)

我想我解决了这个问题。我不确定这是否是最好的方法。我感谢任何改进

import numpy as np
import random

N = 5
a = 20
b = 40
c = 4
inputs = np.zeros((N, a, b, c))
for i in range(0, 10):
    # replace right hand side with method that gets values
    values = np.random.random((a, b, c))
    # expand the dimension to fit to inputs
    values = np.expand_dims(values, axis=0)
    # delete values in first entry of inputs
    inputs = np.delete(inputs, obj=0, axis=0)
    # concatenate inputs and values to a new array
    inputs = np.concatenate([inputs, values], axis=0)
    # for debugging
    # print('shape: {}'.format(inputs.shape))

# expand the dimension with an additional first dimension to achieve (1, N, a, b, c)  # shape.
inputs = np.expand_dims(inputs, axis = 0)

你查过了吗？我认为这是相关的，即使你的数据比那个问题中的维度更多。你检查过了吗？我认为这是相关的，即使你的数据比这个问题有更多的维度。