Python 如何使用返回numpy 1D数组的函数填充numpy 2D数组

我有类似的功能

def predictions(degree):
  some magic,
  return an np.ndarray([0..100])

我想为几个度值调用这个函数，并使用它填充一个更大的np.ndarray（n=2），用函数的结果填充每一行。这似乎是一项简单的任务，但不知何故，我无法让它工作。我试过了

for deg in [1,2,4,8,10]:
   np.append(result, predictions(deg),axis=1)

结果是一个

np.empty（100）

。但在

单例数组中失败的数组（1）不能被视为有效集合。

---

我无法从函数中获取

，

它只适用于坐标元组，文档中也没有不规则的度数列表。

在你变老变聪明之前，不要使用

np.ndarray

！如果不重新阅读文档，我甚至无法使用它

arr1d = np.array([1,2,3,4,5])

是从数字列表构造一维数组的正确方法

也不要使用

np.append

。我甚至不会添加“更老更聪明”的限定。它不能在适当的地方工作；在循环中使用时速度较慢

从1d阵列构建2阵列的一个好方法是：

alist = []
for i in ....:
    alist.append(<alist or 1d array>)
arr = np.array(alist)

这是一个列表列表

或列表：

np.array([predictions(i) for i in range(10)])

---

同样，

predictions

必须返回相同长度的数组或列表。

不要使用

np.ndarray

，除非你年龄更大、更聪明！如果不重新阅读文档，我甚至无法使用它

arr1d = np.array([1,2,3,4,5])

是从数字列表构造一维数组的正确方法

也不要使用

np.append

。我甚至不会添加“更老更聪明”的限定。它不能在适当的地方工作；在循环中使用时速度较慢

从1d阵列构建2阵列的一个好方法是：

alist = []
for i in ....:
    alist.append(<alist or 1d array>)
arr = np.array(alist)

这是一个列表列表

或列表：

np.array([predictions(i) for i in range(10)])

---

同样，

predictions

必须返回相同长度的数组或列表。

append

位于numpy的无聊部分。在这里，您可以提前知道形状

len_predictions = 100

def predictions(degree):
    return np.ones((len_predictions,))

degrees = [1,2,4,8,10]
result = np.empty((len(degrees), len_predictions))
for i, deg in enumerate(degrees):
    result[i] = predictions(deg)

---

如果您想以某种方式存储学位，可以使用自定义数据类型

append

位于numpy的枯燥部分。在这里，您可以提前知道形状

len_predictions = 100

def predictions(degree):
    return np.ones((len_predictions,))

degrees = [1,2,4,8,10]
result = np.empty((len(degrees), len_predictions))
for i, deg in enumerate(degrees):
    result[i] = predictions(deg)

---

如果要以某种方式存储度，可以使用自定义数据类型

单例数组（1）错误消息源于函数预测。`result=np.array（[predictions（1）、predictions（2）、predictions（4）、predictions（8）]`工作正常，但不是很好。`singleton数组（1）错误消息源于函数预测。`result=np。数组（[predictions（1）、predictions（2）、predictions（4）、predictions（8）]`正在工作，但不是很好。这是+1的方式<代码>附加很昂贵（任何东西都可以），尽量避免。这是+1的方法

append

很贵（任何东西都可以），尽量避免。我太老了，不能再聪明了：-）但是你的回答帮助了我。ndarray不是一个自由的选择，而是一个强制性的锻炼结果。我（美学上）喜欢列表理解，但不确定它有多贵？（但性能不是我的首要任务）。列表理解通常比使用append的等效循环快一点。解释器构造了一组更紧密的字节码。我太老了，不能再聪明了：-）但是你的回答帮助了我。ndarray不是一个自由的选择，而是一个强制性的锻炼结果。我（美学上）喜欢列表理解，但不确定它有多贵？（但性能不是我的首要任务）。列表理解通常比使用append的等效循环快一点。解释器构造一组更紧密的字节码。