ধরা যাক আমার একটি নম্পপি অ্যারে রয়েছে a:
a = np.array([
[1, 2, 3],
[2, 3, 4]
])এবং আমি অ্যারে পেতে জিরোসের একটি কলাম যুক্ত করতে চাই b:
b = np.array([
[1, 2, 3, 0],
[2, 3, 4, 0]
])আমি কীভাবে সহজেই NumPy এ এটি করতে পারি?
উত্তর:
আমি মনে করি একটি আরও সোজা সমাধান এবং দ্রুত বুট করার জন্য নিম্নলিখিতটি করা হয়:
import numpy as np
N = 10
a = np.random.rand(N,N)
b = np.zeros((N,N+1))
b[:,:-1] = aএবং সময়:
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))করতেa = np.random.rand(N,N)
np.r_[ ... ]এবং np.c_[ ... ]
দরকারী বিকল্প আছে vstackএবং hstack, বর্গাকার বন্ধনী [] পরিবর্তে রাউন্ডের () সঙ্গে।
উদাহরণ দুটি:
: 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.])(বৃত্তাকার বন্ধনীর পরিবর্তে স্কোয়ার বন্ধনীর কারণ []] হ'ল পাইথন প্রসারিত হয় উদাহরণস্বরূপ 1: 4 বর্গাকারে - ওভারলোডিংয়ের বিস্ময়।)
np.c_[ * iterable ]; দেখতে অভিব্যক্তি তালিকাভুক্ত করে ।
ব্যবহার 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]])appendপ্রকৃতপক্ষে কেবল কল করেছেconcatenate
Hstack ব্যবহার করে একটি উপায় :
b = np.hstack((a, np.zeros((a.shape[0], 1), dtype=a.dtype)))dtypeপ্যারামিটারটি সরান , এটির প্রয়োজন নেই এমনকি অনুমতিও নেই। আপনার সমাধানটি যথেষ্ট মার্জিত, আপনার যদি অ্যারেতে প্রায়শই "সংযোজন" করতে হয় তবে এটি ব্যবহার না করার দিকে মনোযোগ দিন। আপনি যদি একবারে পুরো অ্যারে তৈরি করতে না পারেন এবং পরে এটি পূরণ করতে না পারেন তবে অ্যারেগুলির তালিকা তৈরি করুন এবং hstackএটি একবারে।
আমি নিম্নলিখিতটি সবচেয়ে মার্জিত খুঁজে পাই:
b = np.insert(a, 3, values=0, axis=1) # Insert values before column 3এর একটি সুবিধা insertহ'ল এটি আপনাকে অ্যারের অভ্যন্তরে অন্য স্থানে কলাম (বা সারি) সন্নিবেশ করার অনুমতি দেয়। এছাড়াও একটি একক মান ofোকানোর পরিবর্তে আপনি সহজেই একটি সম্পূর্ণ ভেক্টর সন্নিবেশ করতে পারেন, উদাহরণস্বরূপ শেষ কলামটি নকল করুন:
b = np.insert(a, insert_index, values=a[:,2], axis=1)যা বাড়ে:
array([[1, 2, 3, 3],
[2, 3, 4, 4]])সময়সীমার জন্য, insertজোশএডেলের সমাধানের চেয়ে ধীর হতে পারে:
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, ...)কলামটি সংযোজন করতে পারি না । অনুমান করুন আমি কেবল এটির পরিবর্তে কিনবো।
a.shape[axis]। আই। ই। একটি সারি যুক্ত করার জন্য, আপনি np.insert(a, a.shape[0], 999, axis=0)এবং একটি কলামের জন্য, আপনি করেন np.insert(a, a.shape[1], 999, axis=1)।
আমি এই প্রশ্নে আগ্রহী ছিলাম এবং এর গতির সাথে তুলনা করেছি
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).Tযা কোনও ইনপুট ভেক্টরের জন্য একই কাজ করে a। বাড়ার সময় a:
নোট করুন যে সমস্ত অ-স্বচ্ছ রূপগুলি (বিশেষত stack/ vstack) সমস্ত স্বচ্ছ বৈকল্পগুলির চেয়ে শেষ পর্যন্ত দ্রুত হয়। column_stack(এর স্বচ্ছতা এবং গতির জন্য) যদি আপনার সংযোগের প্রয়োজন হয় তবে এটি একটি ভাল বিকল্প হিসাবে উপস্থিত হবে।
প্লটটি পুনরুত্পাদন করার কোড:
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, dstackসব সাহায্যকারী উপরে নির্মিত ফাংশন হয় np.concatenate। মাধ্যমে ট্রেসিং দ্বারা স্ট্যাকের সংজ্ঞা আমি দেখেছি যে np.stack([a,a])কল করছে np.concatenate([a[None], a[None]], axis=0)। এটি np.concatenate([a[None], a[None]], axis=0).Tদেখানোর জন্য পারফ্লট্লট যুক্ত করা ভাল হতে পারে যা np.concatenateসর্বদা তার সহায়ক কার্যক্রমে কমপক্ষে তত দ্রুত হতে পারে।
c_এবংcolumn_stack
আমি মনে করি:
np.column_stack((a, zeros(shape(a)[0])))আরও মার্জিত।
np.concateate এছাড়াও কাজ করে
>>> 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 এবং 2x3 ম্যাট্রিকের চেয়ে 3 গুণ দ্রুত বলে মনে হচ্ছে । np.concatenateআমার পরীক্ষাগুলিতে খালি ম্যাট্রিক্সে ম্যাট্রিকগুলি ম্যানুয়ালি অনুলিপি করার চেয়ে খুব সামান্য দ্রুত ছিল। নীচের নিকো শ্ল্যামারের উত্তরের সাথে এটি সামঞ্জস্যপূর্ণ।
ধরে Mনেওয়া একটি (100,3) নাদারেরে এবং yএটি (100,) নাদার্রে appendনিম্নরূপ ব্যবহার করা যেতে পারে:
M=numpy.append(M,y[:,None],1)কৌশলটি ব্যবহার করা হয়
y[:, None]এটি yএকটি (100, 1) 2 ডি অ্যারে রূপান্তর করে।
M.shapeএখন দেয়
(100, 4)পারফরম্যান্সের উপর ফোকাস দেওয়ার কারণে আমি জোশএডেলের উত্তর পছন্দ করি। একটি সামান্য পারফরম্যান্স উন্নতি হ'ল জিরো দিয়ে আরম্ভের ওভারহেড এড়ানো, কেবল ওভাররাইট করা উচিত। এন বড় হয়ে গেলে এর পরিমাপযোগ্য পার্থক্য রয়েছে, শূন্যের পরিবর্তে খালি ব্যবহৃত হবে এবং শূন্যগুলির কলামটি পৃথক পদক্ষেপ হিসাবে লেখা হবে:
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। এছাড়াও, খুব বড় অ্যারে দিয়ে, পারফরম্যান্সের পার্থক্যটি np.insert()নগণ্য হয়ে যায় যা np.insert()এটি সংক্ষিপ্ততার কারণে আরও পছন্দসই হতে পারে ।
np.insert এছাড়াও উদ্দেশ্য পরিবেশন।
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]])এটি new_colএখানে idxএকটি অক্ষ বরাবর একটি প্রদত্ত সূচকের আগে মান সন্নিবেশ করায় । অন্য কথায়, নতুন সন্নিবেশ করা মানগুলি idxকলামটি দখল করবে এবং সেখানে এবং পিছনে idxপিছনে মূলত যা ছিল তা স্থানান্তরিত করবে ।
insertস্থানে নেই কারণ ফাংশনের নাম অনুসারে কেউ ধরে নিতে পারে (উত্তরে ডক্সগুলি দেখুন)।
নম্পির np.appendপদ্ধতিতে তিনটি পরামিতি লাগে, প্রথম দুটি হ'ল 2 ডি নিম্পি অ্যারে এবং তৃতীয়টি একটি অক্ষ পরামিতি যা কোন অক্ষটি যুক্ত করতে হবে তা নির্দেশ করে:
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)) ছাপে:
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]]আমার ক্ষেত্রে, আমাকে একটি নিউমপি অ্যারেতে একটি কলাম যুক্ত করতে হয়েছিল
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)এক্স.শ্যাপ => এর পরে (97, 2)
array([[ 1. , 6.1101],
[ 1. , 5.5277],
...এটির জন্য বিশেষত একটি ফাংশন রয়েছে। একে নামপি.প্যাড বলা হয়
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]])এখানে এটি ডক্টরসিংয়ে যা বলেছে:
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]])