有效地将元素附加到大型 numpy 数组中的每个列表答案

【问题标题】：Efficiently append an element to each of the lists in a large numpy array有效地将元素附加到大型 numpy 数组中的每个列表
【发布时间】：2021-02-02 18:43:19
【问题描述】：

我有一个非常大的列表数组，我想将一个元素附加到每个数组。为了性能，我想避免使用循环。

以下语法无效。

a=np.array([[],[1],[0,1]])

[j.append(3) for j in a]

这个例子的预期结果是

np.array([[3],[1,3],[0,1,3])

但我得到了

[None, None, None]

有什么线索吗？

【问题讨论】：

真的 np.array 在不同大小的列表上不会让你有太大的改进，如果有任何超过香草 python。
None 是append 的输出。但是如果你检查a，你会发现它已经动态变化了。
为什么numpy.ndarray 中有python list 对象？这真的没有意义。请注意，不要将列表理解用于副作用，[j.append(3) for j in a] 会给您[None, None, None]，因为j.append(r) 将总是返回None，但请注意，@987654334 中的原始列表@应该被修改。但不要这样做，使用常规循环。更好的是，不要使用 numpy.ndarray 列表。
对象 dtype 数组上的迭代比列表上的迭代要慢一些。但两者都比迭代二维数组的行要快。

标签： python performance numpy memory

【解决方案1】：

list.append() 返回 None，所以您只是看到 3 个附加操作均返回 None。

但是，如果您打印a 的内容，您会发现追加成功。

a=np.array([[],[1],[0,1]])
[j.append(3) for j in a]
print(a)
# prints "[list([3]) list([1, 3]) list([0, 1, 3])]"

我不建议对任何东西使用一个 numpy 列表数组，但也许你有一些特殊的用例，这是有意义的。我建议问一个单独的问题，看看使用 numpy 列表数组的原因

【讨论】：

非常感谢！为什么你“不建议对任何东西使用一个 numpy 列表数组”？
@zell 因为这毫无意义。为什么会你使用一个 numpy.ndarray 列表？它有什么优势？
@zell 是的，拥有一个列表数组确实没有任何好处。
@Michael @ juanpa.arrivillaga 好点。实际上，我遇到了大型数组列表的内存问题。如果我要表示一个大型数组，其中每个项目都是未知数量的整数，那么有什么好的选择？
@zell 你最好提出一个新问题，如果没有适当的上下文很难给出答案