मान लीजिए कि मेरे पास एक अंक है a:
a = np.array([
[1, 2, 3],
[2, 3, 4]
])और मैं एक सरणी प्राप्त करने के लिए शून्य का एक कॉलम जोड़ना चाहूंगा b:
b = np.array([
[1, 2, 3, 0],
[2, 3, 4, 0]
])मैं NumPy में यह आसानी से कैसे कर सकता हूं?
जवाबों:
मुझे लगता है कि एक और अधिक सरल समाधान और बूट करने के लिए तेजी से निम्नलिखित करना है:
import numpy as np
N = 10
a = np.random.rand(N,N)
b = np.zeros((N,N+1))
b[:,:-1] = aऔर समय:
In [23]: N = 10
In [24]: a = np.random.rand(N,N)
In [25]: %timeit b = np.hstack((a,np.zeros((a.shape[0],1))))
10000 loops, best of 3: 19.6 us per loop
In [27]: %timeit b = np.zeros((a.shape[0],a.shape[1]+1)); b[:,:-1] = a
100000 loops, best of 3: 5.62 us per loopa = np.random.rand((N,N))a = np.random.rand(N,N)
np.r_[ ... ]और के np.c_[ ... ]
लिए उपयोगी विकल्प हैंvstack और hstack, वर्ग कोष्ठक [] बजाय दौर की () के साथ।
कुछ उदाहरण:
: import numpy as np
: N = 3
: A = np.eye(N)
: np.c_[ A, np.ones(N) ] # add a column
array([[ 1., 0., 0., 1.],
[ 0., 1., 0., 1.],
[ 0., 0., 1., 1.]])
: np.c_[ np.ones(N), A, np.ones(N) ] # or two
array([[ 1., 1., 0., 0., 1.],
[ 1., 0., 1., 0., 1.],
[ 1., 0., 0., 1., 1.]])
: np.r_[ A, [A[1]] ] # add a row
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 1., 0.]])
: # not np.r_[ A, A[1] ]
: np.r_[ A[0], 1, 2, 3, A[1] ] # mix vecs and scalars
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], [1, 2, 3], A[1] ] # lists
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], (1, 2, 3), A[1] ] # tuples
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])
: np.r_[ A[0], 1:4, A[1] ] # same, 1:4 == arange(1,4) == 1,2,3
array([ 1., 0., 0., 1., 2., 3., 0., 1., 0.])(वर्ग कोष्ठक का कारण [] गोल के बजाय () यह है कि पायथन का विस्तार 1: 4 वर्ग में है - ओवरलोडिंग का चमत्कार।)
np.c_[ * iterable ]; अभिव्यक्ति-सूची देखें ।
उपयोग करें numpy.append:
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> z = np.zeros((2,1), dtype=int64)
>>> z
array([[0],
[0]])
>>> np.append(a, z, axis=1)
array([[1, 2, 3, 0],
[2, 3, 4, 0]])appendवास्तव में सिर्फ कॉलconcatenate
dtypeपैरामीटर निकालें , इसकी आवश्यकता नहीं है और यहां तक कि अनुमति नहीं है। यदि आपका समाधान पर्याप्त रूप से सुरुचिपूर्ण है, तो ध्यान दें कि अगर आपको किसी सरणी में अक्सर "जोड़ना" चाहिए तो इसका उपयोग न करें। यदि आप एक बार में संपूर्ण सरणी नहीं बना सकते हैं और इसे बाद में भर सकते हैं, तो सरणियों की सूची बनाएं और hstackयह सब एक बार में।
मुझे निम्नलिखित सबसे सुरुचिपूर्ण लगते हैं:
b = np.insert(a, 3, values=0, axis=1) # Insert values before column 3इसका एक फायदा insertयह है कि यह आपको सरणी के अंदर अन्य स्थानों पर भी कॉलम (या पंक्तियाँ) डालने की अनुमति देता है। इसके अलावा एक एकल मान सम्मिलित करने के बजाय आप आसानी से एक संपूर्ण वेक्टर सम्मिलित कर सकते हैं, उदाहरण के लिए अंतिम कॉलम को डुप्लिकेट करना:
b = np.insert(a, insert_index, values=a[:,2], axis=1)जिससे होता है:
array([[1, 2, 3, 3],
[2, 3, 4, 4]])समय के लिए, insertजोश एडेल के समाधान की तुलना में धीमा हो सकता है:
In [1]: N = 10
In [2]: a = np.random.rand(N,N)
In [3]: %timeit b = np.hstack((a, np.zeros((a.shape[0], 1))))
100000 loops, best of 3: 7.5 µs per loop
In [4]: %timeit b = np.zeros((a.shape[0], a.shape[1]+1)); b[:,:-1] = a
100000 loops, best of 3: 2.17 µs per loop
In [5]: %timeit b = np.insert(a, 3, values=0, axis=1)
100000 loops, best of 3: 10.2 µs per loopinsert(a, -1, ...)कॉलम को जोड़ नहीं सकता । मुझे लगता है मैं इसके बजाय बस इसे प्रस्तुत करना होगा।
a.shape[axis]। अर्थात। एक पंक्ति को जोड़ने के लिए, आप करते हैं np.insert(a, a.shape[0], 999, axis=0)और एक कॉलम के लिए, आप करते हैं np.insert(a, a.shape[1], 999, axis=1)।
मुझे इस सवाल में भी दिलचस्पी थी और इसकी गति की तुलना में
numpy.c_[a, a]
numpy.stack([a, a]).T
numpy.vstack([a, a]).T
numpy.ascontiguousarray(numpy.stack([a, a]).T)
numpy.ascontiguousarray(numpy.vstack([a, a]).T)
numpy.column_stack([a, a])
numpy.concatenate([a[:,None], a[:,None]], axis=1)
numpy.concatenate([a[None], a[None]], axis=0).Tजो सभी किसी भी इनपुट वेक्टर के लिए एक ही काम करते हैं a। बढ़ने के लिए समय a:
ध्यान दें कि सभी गैर-सन्निहित संस्करण (विशेष रूप से stack/ vstack) अंततः सभी सन्निहित संस्करणों की तुलना में तेज़ हैं। column_stack(इसकी स्पष्टता और गति के लिए) एक अच्छा विकल्प प्रतीत होता है यदि आपको संदर्भ की आवश्यकता होती है।
प्लॉट को फिर से तैयार करने के लिए कोड:
import numpy
import perfplot
perfplot.save(
"out.png",
setup=lambda n: numpy.random.rand(n),
kernels=[
lambda a: numpy.c_[a, a],
lambda a: numpy.ascontiguousarray(numpy.stack([a, a]).T),
lambda a: numpy.ascontiguousarray(numpy.vstack([a, a]).T),
lambda a: numpy.column_stack([a, a]),
lambda a: numpy.concatenate([a[:, None], a[:, None]], axis=1),
lambda a: numpy.ascontiguousarray(
numpy.concatenate([a[None], a[None]], axis=0).T
),
lambda a: numpy.stack([a, a]).T,
lambda a: numpy.vstack([a, a]).T,
lambda a: numpy.concatenate([a[None], a[None]], axis=0).T,
],
labels=[
"c_",
"ascont(stack)",
"ascont(vstack)",
"column_stack",
"concat",
"ascont(concat)",
"stack (non-cont)",
"vstack (non-cont)",
"concat (non-cont)",
],
n_range=[2 ** k for k in range(20)],
xlabel="len(a)",
logx=True,
logy=True,
)stack, hstack, vstack, column_stack, dstackसभी सहायक के ऊपर एक बने कार्य हैं np.concatenate। स्टैक की परिभाषा के माध्यम से मैंने पाया कि np.stack([a,a])कॉलिंग है np.concatenate([a[None], a[None]], axis=0)। np.concatenate([a[None], a[None]], axis=0).Tपरफ़्लोट में जोड़ना अच्छा हो सकता है यह दिखाने के लिए कि np.concatenateहमेशा कम से कम अपने सहायक कार्यों के रूप में तेज़ हो सकता है।
c_औरcolumn_stack
मुझे लगता है:
np.column_stack((a, zeros(shape(a)[0])))अधिक सुंदर है।
np.concatenate भी काम करता है
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> z = np.zeros((2,1))
>>> z
array([[ 0.],
[ 0.]])
>>> np.concatenate((a, z), axis=1)
array([[ 1., 2., 3., 0.],
[ 2., 3., 4., 0.]])np.concatenatenp.hstack2x1, 2x2 और 2x3 मैट्रिसेस की तुलना में 3 गुना तेज प्रतीत होता है । np.concatenateमेरे प्रयोगों में एक खाली मैट्रिक्स में मैन्युअल रूप से मैट्रिसेस को कॉपी करने की तुलना में बहुत अधिक तेज था। नीचे नीको श्लोमर के उत्तर के अनुरूप है।
मान Mलेना एक (100,3) ndarray है और ya (100,) ndarray appendका उपयोग निम्नानुसार किया जा सकता है:
M=numpy.append(M,y[:,None],1)चाल का उपयोग करना है
y[:, None]यह y(100, 1) 2D सरणी में कनवर्ट करता है।
M.shapeअब देता है
(100, 4)मुझे प्रदर्शन पर ध्यान केंद्रित करने के कारण जोश एडेल का जवाब पसंद है। एक मामूली प्रदर्शन में सुधार शून्य से शुरू करने के ओवरहेड से बचने के लिए है, केवल ओवरराइट करने के लिए। N के बड़े होने पर इसका मापनीय अंतर होता है, शून्य का उपयोग शून्य के बजाय किया जाता है, और शून्य के स्तंभ को एक अलग चरण के रूप में लिखा जाता है:
In [1]: import numpy as np
In [2]: N = 10000
In [3]: a = np.ones((N,N))
In [4]: %timeit b = np.zeros((a.shape[0],a.shape[1]+1)); b[:,:-1] = a
1 loops, best of 3: 492 ms per loop
In [5]: %timeit b = np.empty((a.shape[0],a.shape[1]+1)); b[:,:-1] = a; b[:,-1] = np.zeros((a.shape[0],))
1 loops, best of 3: 407 ms per loopb[:,-1] = 0:। इसके अलावा, बहुत बड़ी सरणियों के साथ, प्रदर्शन अंतर np.insert()नगण्य हो जाता है, जो np.insert()इसकी संक्षिप्तता के कारण अधिक वांछनीय हो सकता है ।
np.insert उद्देश्य भी पूरा करता है।
matA = np.array([[1,2,3],
[2,3,4]])
idx = 3
new_col = np.array([0, 0])
np.insert(matA, idx, new_col, axis=1)
array([[1, 2, 3, 0],
[2, 3, 4, 0]])यह new_colदिए गए इंडेक्स से पहले , यहाँ , idxएक अक्ष के साथ , मान सम्मिलित करता है। दूसरे शब्दों में, नए सम्मिलित मूल्य idxस्तंभ पर कब्जा कर लेंगे और आगे और idxपीछे मूल रूप से जो थे, उसे स्थानांतरित कर देंगे ।
insertएक जगह पर नहीं है क्योंकि कोई भी फ़ंक्शन का नाम दिया जा सकता है (उत्तर में डॉक्स लिंक देखें)।
Numpy की np.appendविधि में तीन पैरामीटर होते हैं, पहले दो 2D सुपीरियर एरेज़ हैं और तीसरा एक एक्सिस पैरामीटर है जो निर्देश देता है कि किस अक्ष को जोड़ना है:
import numpy as np
x = np.array([[1,2,3], [4,5,6]])
print("Original x:")
print(x)
y = np.array([[1], [1]])
print("Original y:")
print(y)
print("x appended to y on axis of 1:")
print(np.append(x, y, axis=1)) प्रिंटों:
Original x:
[[1 2 3]
[4 5 6]]
Original y:
[[1]
[1]]
x appended to y on axis of 1:
[[1 2 3 1]
[4 5 6 1]]मेरे मामले में, मुझे एक NumPy सरणी में एक कॉलम जोड़ना था
X = array([ 6.1101, 5.5277, ... ])
X.shape => (97,)
X = np.concatenate((np.ones((m,1), dtype=np.int), X.reshape(m,1)), axis=1)X.shape के बाद => (97, 2)
array([[ 1. , 6.1101],
[ 1. , 5.5277],
...इसके लिए विशेष रूप से एक फ़ंक्शन है। इसे numpy.pad कहा जाता है
a = np.array([[1,2,3], [2,3,4]])
b = np.pad(a, ((0, 0), (0, 1)), mode='constant', constant_values=0)
print b
>>> array([[1, 2, 3, 0],
[2, 3, 4, 0]])यहाँ है कि यह docstring में क्या कहता है:
Pads an array.
Parameters
----------
array : array_like of rank N
Input array
pad_width : {sequence, array_like, int}
Number of values padded to the edges of each axis.
((before_1, after_1), ... (before_N, after_N)) unique pad widths
for each axis.
((before, after),) yields same before and after pad for each axis.
(pad,) or int is a shortcut for before = after = pad width for all
axes.
mode : str or function
One of the following string values or a user supplied function.
'constant'
Pads with a constant value.
'edge'
Pads with the edge values of array.
'linear_ramp'
Pads with the linear ramp between end_value and the
array edge value.
'maximum'
Pads with the maximum value of all or part of the
vector along each axis.
'mean'
Pads with the mean value of all or part of the
vector along each axis.
'median'
Pads with the median value of all or part of the
vector along each axis.
'minimum'
Pads with the minimum value of all or part of the
vector along each axis.
'reflect'
Pads with the reflection of the vector mirrored on
the first and last values of the vector along each
axis.
'symmetric'
Pads with the reflection of the vector mirrored
along the edge of the array.
'wrap'
Pads with the wrap of the vector along the axis.
The first values are used to pad the end and the
end values are used to pad the beginning.
<function>
Padding function, see Notes.
stat_length : sequence or int, optional
Used in 'maximum', 'mean', 'median', and 'minimum'. Number of
values at edge of each axis used to calculate the statistic value.
((before_1, after_1), ... (before_N, after_N)) unique statistic
lengths for each axis.
((before, after),) yields same before and after statistic lengths
for each axis.
(stat_length,) or int is a shortcut for before = after = statistic
length for all axes.
Default is ``None``, to use the entire axis.
constant_values : sequence or int, optional
Used in 'constant'. The values to set the padded values for each
axis.
((before_1, after_1), ... (before_N, after_N)) unique pad constants
for each axis.
((before, after),) yields same before and after constants for each
axis.
(constant,) or int is a shortcut for before = after = constant for
all axes.
Default is 0.
end_values : sequence or int, optional
Used in 'linear_ramp'. The values used for the ending value of the
linear_ramp and that will form the edge of the padded array.
((before_1, after_1), ... (before_N, after_N)) unique end values
for each axis.
((before, after),) yields same before and after end values for each
axis.
(constant,) or int is a shortcut for before = after = end value for
all axes.
Default is 0.
reflect_type : {'even', 'odd'}, optional
Used in 'reflect', and 'symmetric'. The 'even' style is the
default with an unaltered reflection around the edge value. For
the 'odd' style, the extented part of the array is created by
subtracting the reflected values from two times the edge value.
Returns
-------
pad : ndarray
Padded array of rank equal to `array` with shape increased
according to `pad_width`.
Notes
-----
.. versionadded:: 1.7.0
For an array with rank greater than 1, some of the padding of later
axes is calculated from padding of previous axes. This is easiest to
think about with a rank 2 array where the corners of the padded array
are calculated by using padded values from the first axis.
The padding function, if used, should return a rank 1 array equal in
length to the vector argument with padded values replaced. It has the
following signature::
padding_func(vector, iaxis_pad_width, iaxis, kwargs)
where
vector : ndarray
A rank 1 array already padded with zeros. Padded values are
vector[:pad_tuple[0]] and vector[-pad_tuple[1]:].
iaxis_pad_width : tuple
A 2-tuple of ints, iaxis_pad_width[0] represents the number of
values padded at the beginning of vector where
iaxis_pad_width[1] represents the number of values padded at
the end of vector.
iaxis : int
The axis currently being calculated.
kwargs : dict
Any keyword arguments the function requires.
Examples
--------
>>> a = [1, 2, 3, 4, 5]
>>> np.pad(a, (2,3), 'constant', constant_values=(4, 6))
array([4, 4, 1, 2, 3, 4, 5, 6, 6, 6])
>>> np.pad(a, (2, 3), 'edge')
array([1, 1, 1, 2, 3, 4, 5, 5, 5, 5])
>>> np.pad(a, (2, 3), 'linear_ramp', end_values=(5, -4))
array([ 5, 3, 1, 2, 3, 4, 5, 2, -1, -4])
>>> np.pad(a, (2,), 'maximum')
array([5, 5, 1, 2, 3, 4, 5, 5, 5])
>>> np.pad(a, (2,), 'mean')
array([3, 3, 1, 2, 3, 4, 5, 3, 3])
>>> np.pad(a, (2,), 'median')
array([3, 3, 1, 2, 3, 4, 5, 3, 3])
>>> a = [[1, 2], [3, 4]]
>>> np.pad(a, ((3, 2), (2, 3)), 'minimum')
array([[1, 1, 1, 2, 1, 1, 1],
[1, 1, 1, 2, 1, 1, 1],
[1, 1, 1, 2, 1, 1, 1],
[1, 1, 1, 2, 1, 1, 1],
[3, 3, 3, 4, 3, 3, 3],
[1, 1, 1, 2, 1, 1, 1],
[1, 1, 1, 2, 1, 1, 1]])
>>> a = [1, 2, 3, 4, 5]
>>> np.pad(a, (2, 3), 'reflect')
array([3, 2, 1, 2, 3, 4, 5, 4, 3, 2])
>>> np.pad(a, (2, 3), 'reflect', reflect_type='odd')
array([-1, 0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> np.pad(a, (2, 3), 'symmetric')
array([2, 1, 1, 2, 3, 4, 5, 5, 4, 3])
>>> np.pad(a, (2, 3), 'symmetric', reflect_type='odd')
array([0, 1, 1, 2, 3, 4, 5, 5, 6, 7])
>>> np.pad(a, (2, 3), 'wrap')
array([4, 5, 1, 2, 3, 4, 5, 1, 2, 3])
>>> def pad_with(vector, pad_width, iaxis, kwargs):
... pad_value = kwargs.get('padder', 10)
... vector[:pad_width[0]] = pad_value
... vector[-pad_width[1]:] = pad_value
... return vector
>>> a = np.arange(6)
>>> a = a.reshape((2, 3))
>>> np.pad(a, 2, pad_with)
array([[10, 10, 10, 10, 10, 10, 10],
[10, 10, 10, 10, 10, 10, 10],
[10, 10, 0, 1, 2, 10, 10],
[10, 10, 3, 4, 5, 10, 10],
[10, 10, 10, 10, 10, 10, 10],
[10, 10, 10, 10, 10, 10, 10]])
>>> np.pad(a, 2, pad_with, padder=100)
array([[100, 100, 100, 100, 100, 100, 100],
[100, 100, 100, 100, 100, 100, 100],
[100, 100, 0, 1, 2, 100, 100],
[100, 100, 3, 4, 5, 100, 100],
[100, 100, 100, 100, 100, 100, 100],
[100, 100, 100, 100, 100, 100, 100]])