假设我们有nxm矩阵(n行m列)5行4列

matrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]]

要在python中提取列，我们可以像这样使用列表推导式

[ [row[i] for row in matrix] for in range(4) ]

你可以用矩阵的列数来替换4。 结果是

,10,14,18,5,9,13,17 [[1], [2], [3,7,11,15,19], [4,8,12,16,20]]

您是否使用了NumPy数组?Python有array模块，但不支持多维数组。普通的Python列表也是一维的。

然而，如果你有一个简单的二维列表，像这样:

A = [[1,2,3,4],
     [5,6,7,8]]

然后你可以像这样提取一个列:

def column(matrix, i):
    return [row[i] for row in matrix]

提取第二列(索引1):

>>> column(A, 1)
[2, 6]

或者简单地说:

>>> [row[1] for row in A]
[2, 6]

假设我们有nxm矩阵(n行m列)5行4列

matrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]]

要在python中提取列，我们可以像这样使用列表推导式

[ [row[i] for row in matrix] for in range(4) ]

你可以用矩阵的列数来替换4。 结果是

,10,14,18,5,9,13,17 [[1], [2], [3,7,11,15,19], [4,8,12,16,20]]

如果你有一个数组

a = [[1, 2], [2, 3], [3, 4]]

然后像这样提取第一列:

[row[0] for row in a]

结果是这样的:

[1, 2, 3]

嗯，有点晚了……

如果性能很重要，你的数据是矩形的，你也可以将它存储在一维中，并通过常规切片访问列，例如. ...

A = [[1,2,3,4],[5,6,7,8]]     #< assume this 4x2-matrix
B = reduce( operator.add, A ) #< get it one-dimensional

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx::dimX]

def row1d( matrix, dimX, rowIdx ):
  return matrix[rowIdx:rowIdx+dimX] 

>>> column1d( B, 4, 1 )
[2, 6]
>>> row1d( B, 4, 1 )
[2, 3, 4, 5]

巧妙的是，这真的很快。然而，负索引在这里不起作用!所以你不能通过索引-1访问最后一列或最后一行。

如果您需要负索引，您可以稍微调整访问函数，例如。

def column1d( matrix, dimX, colIdx ):
  return matrix[colIdx % dimX::dimX]

def row1d( matrix, dimX, dimY, rowIdx ):
  rowIdx = (rowIdx % dimY) * dimX
  return matrix[rowIdx:rowIdx+dimX]

点击这里查看详情！

a = [[1, 2], [2, 3], [3, 4]]
a2 = zip(*a)
a2[0]

它和上面的是一样的，只是它更整洁一些 zip可以完成这项工作，但需要单个数组作为参数，*a语法将多维数组解压缩为单个数组参数