Question

我有一个2 x 2大小的数组，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，并且追加只能追加行，而不是列。我不想遍历每一行来添加列。

有没有任何矢量化方法可以像在MATLAB中那样做：A(:,3:4) = 0;和A(3,:) = 0;这将A从2 x 2转换为3 x 4.我在想在python中有类似的方法吗？

Answer 1

在Python中，如果输入是一个numpy数组，你可以使用np.lib.pad在它周围填充零 -

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

示例运行 -

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

如果你不想用数学来填充多少个零，你可以让代码在给定输出数组大小的情况下为你做这个 -

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，您可以从零初始化输出数组开始，然后从A -

中放回那些输入元素

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，您可以使用padarray -

A_new  = padarray(A,[1 2],'post')

示例运行 -

>> 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

Answer 2

Pure Python方式实现了这个目标：

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A_new为[[1, 2, 0, 0], [2, 3, 0, 0], [0, 0, 0, 0]]。

很高兴知道：

[x] * n将重复x n - 次
可以使用+运算符

<强>解释

map(function, list)将迭代列表中的每个项目将其传递给 function 并将该项目替换为返回值
A + ([[0] * column] * (row - len(A)))：A正在使用剩余的“归零”列表进行扩展
- 通过[0]点数
- 按剩余行数重复该数组
([0] * (column - len(x)))：对于每个行项目（x），使用

Answer 3

问：是否有向量化的方式......

答：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.]])

问：以“智能”的方式“延伸”A的数据结构是否“资源有效”？

答：不，幸运的是不多。尝试更大，更大或更大的尺寸来感受资源分配/处理成本......

Numpy拥有真正的数据结构“幕后”，允许大量smart tricks类步（重新）映射，基于视图的操作，快速矢量化/广播操作，但是，改变内存 - 布局“跨越跨越智能地图”相当昂贵。 Numpy array model

由于这个原因，numpy从1.7.0开始就添加了一个内置的布局/映射器修改器 .lib.pad() ，它非常清楚＆amp;优化，以处理智能和安全的“幕后”结构快。

B = np.lib.pad( A, 
                ( ( 0, 3 ), ( 0, 2) ),
                'constant',
                 constant_values = ( 0,  0 )
              )                                    # .pad() at a cost of ~ 270 us

python - 增加数组大小并将新元素初始化为零

3 个答案: