python-增加数组大小并将新元素初始化为零
我有一个大小为2 x 2的数组,我想将大小更改为3 x 4python-增加数组大小并将新元素初始化为零,python,arrays,Python,Arrays,我有一个大小为2 x 2的数组,我想将大小更改为3 x 4 A = [[1 2 ],[2 3]] A_new = [[1 2 0 0],[2 3 0 0],[0 0 0 0]] 我尝试了3个形状,但它没有,只能附加行,不能附加列。我不想遍历每一行来添加列 有没有像MATLAB中那样的矢量化方法:A(:,3:4)=0和A(3,:)=0这将A从2x2转换为3x4。我在想,python中有类似的方法吗?在python中,如果输入是一个numpy数组,可以使用它来填充零- import numpy a
A = [[1 2 ],[2 3]]
A_new = [[1 2 0 0],[2 3 0 0],[0 0 0 0]]
我尝试了3个形状,但它没有,只能附加行,不能附加列。我不想遍历每一行来添加列
有没有像MATLAB中那样的矢量化方法:
A(:,3:4)=0代码>和A(3,:)=0代码>这将A
从2x2转换为3x4。我在想,python中有类似的方法吗?在python中,如果输入是一个numpy数组,可以使用它来填充零-
import numpy as np
A = np.array([[1, 2 ],[2, 3]]) # Input
A_new = np.lib.pad(A, ((0,1),(0,2)), 'constant', constant_values=(0)) # Output
样本运行-
In [7]: A # Input: A numpy array
Out[7]:
array([[1, 2],
[2, 3]])
In [8]: np.lib.pad(A, ((0,1),(0,2)), 'constant', constant_values=(0))
Out[8]:
array([[1, 2, 0, 0],
[2, 3, 0, 0],
[0, 0, 0, 0]]) # Zero padded numpy array
>> A
A =
1 2
2 3
>> A_new = padarray(A,[1 2],'post')
A_new =
1 2 0 0
2 3 0 0
0 0 0 0
如果您不想计算要填充多少个零,可以让代码在给定输出数组大小的情况下为您计算-
In [29]: A
Out[29]:
array([[1, 2],
[2, 3]])
In [30]: new_shape = (3,4)
In [31]: shape_diff = np.array(new_shape) - np.array(A.shape)
In [32]: np.lib.pad(A, ((0,shape_diff[0]),(0,shape_diff[1])),
'constant', constant_values=(0))
Out[32]:
array([[1, 2, 0, 0],
[2, 3, 0, 0],
[0, 0, 0, 0]])
或者,您可以从零初始化的输出数组开始,然后从a
-
In [38]: A
Out[38]:
array([[1, 2],
[2, 3]])
In [39]: A_new = np.zeros(new_shape,dtype = A.dtype)
In [40]: A_new[0:A.shape[0],0:A.shape[1]] = A
In [41]: A_new
Out[41]:
array([[1, 2, 0, 0],
[2, 3, 0, 0],
[0, 0, 0, 0]])
在MATLAB中,可以使用-
样本运行-
In [7]: A # Input: A numpy array
Out[7]:
array([[1, 2],
[2, 3]])
In [8]: np.lib.pad(A, ((0,1),(0,2)), 'constant', constant_values=(0))
Out[8]:
array([[1, 2, 0, 0],
[2, 3, 0, 0],
[0, 0, 0, 0]]) # Zero padded numpy array
>> A
A =
1 2
2 3
>> A_new = padarray(A,[1 2],'post')
A_new =
1 2 0 0
2 3 0 0
0 0 0 0
纯Python方法可以实现这一点:
row = 3
column = 4
A = [[1, 2],[2, 3]]
A_new = map(lambda x: x + ([0] * (column - len(x))), A + ([[0] * column] * (row - len(A))))
然后一个新的就是[[1,2,0,0],[2,3,0,0],[0,0,0]]
好消息:
[x]*n
将重复x
n
-次
- 可以使用
+
运算符连接列表
说明:
map(函数,列表)
将迭代列表中的每个项,并将其传递给函数,并用返回值替换该项
A+([[0]*列]*(行-列(A))
:A
正在使用剩余的“归零”列表进行扩展
- 通过
列
计数重复[0]
中的项目
- 按剩余行数重复该数组
([0]*(列-len(x)))
:对于每一行项目(x
),使用
问:有没有一种矢量化的方法
是的,有
A = np.ones( (2,2) ) # numpy create/assign 1-s
B = np.zeros( (4,5) ) # numpy create/assign 0-s "padding" mat
B[:A.shape[0],:A.shape[1]] += A[:,:] # numpy vectorised .ADD at a cost of ~270 us
B[:A.shape[0],:A.shape[1]] = A[:,:] # numpy vectorised .STO at a cost of ~180 us
B[:A.shape[0],:A.shape[1]] = A # numpy high-level .STO at a cost of ~450 us
B
Out[4]:
array([[ 1., 1., 0., 0., 0.],
[ 1., 1., 0., 0., 0.],
[ 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0.]])
Q:在幕后以智能方式“扩展”A的数据结构是否具有资源效率?
不,幸运的是不多。尝试更大、更大或更大的尺寸,感受资源分配/处理成本…
Numpy具有真正的“幕后”数据结构,允许许多类似的跨步(重新)映射、基于视图的操作、快速矢量化/广播操作,但是,更改内存布局“跨跨步智能映射”相当昂贵。
因此,自1.7.0版以来,numpy添加了一个内置布局/映射器修改器.lib.pad()
,该修改器具有良好的感知和优化能力,可以智能快速地处理“幕后”结构
B = np.lib.pad( A,
( ( 0, 3 ), ( 0, 2) ),
'constant',
constant_values = ( 0, 0 )
) # .pad() at a cost of ~ 270 us
您可以用numpy来做这类事情,但不能用纯python。如果你熟悉Matlab并想使用Python,你一定要看看numpy。@tom10,相反,请看刘帅的答案。@try catch finally:OP说1“我不想遍历每一行…”;2)“有没有一种方法可以矢量化…”。你提到的答案并没有涉及问题的这两个要点。例如,在他们的回答中,他们说“[map]将迭代每个项目”,感谢您的回答和解释@yashgarg1232很高兴为您提供帮助!谢谢你的回答。:)@yashgarg1232很高兴为您提供帮助:)谢谢您的回答:)