python - 增加数组大小并将新元素初始化为零

Question

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 形状但它没有，并且 append 只能附加行，而不是列。我不想遍历每一行来添加列。

是否有任何矢量化方法可以像在 MATLAB 中那样：A(:,3:4) = 0; 和 A(3,:) = 0; 这将 A 从 2 x 2 转换为 3 x 4。我在想 是否有类似的方法在 python 中？

Answer 1

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

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

如果您不想计算要填充多少个零的数学，您可以让代码在给定输出数组大小的情况下为您完成 -

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，您可以从一个零初始化的输出数组开始，然后从A 放回这些输入元素-

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，你可以使用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

纯Python方式实现这一点：

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))))

那么A_new 就是[[1, 2, 0, 0], [2, 3, 0, 0], [0, 0, 0, 0]]。

很高兴知道：

• [x] * n 将重复 x n-times
• 可以使用+ 运算符连接列表

说明：

• map(function, list) 将迭代 list 中的每个项目并将其传递给 function 并将该项目替换为返回值
• A + ([[0] * column] * (row - len(A))): A 正在扩展剩余的“归零”列表
  • 将[0] 中的项目重复column 计数
  • 按剩余行数重复该数组
• ([0] * (column - len(x)))：为每一行项目 (x) 添加一个包含剩余列数的列表，使用

Answer 3

问：有没有矢量化的方式...

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：以智能方式“在幕后”“扩展”A 的数据结构是否具有资源效率？

A：没有，幸好不多。尝试更大、更大或巨大的尺寸来感受资源分配/处理成本...

Numpy 具有真正的“幕后”数据结构，允许大量 smart tricks 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，改变了内存布局“跨越跨步智能映射”相当昂贵。

出于这个原因，numpy 从 1.7.0 开始添加了一个内置的布局/映射器修饰符 .lib.pad()，它具有良好的意识和优化，以便处理“幕后” " 结构既智能又快速。

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