使用标准的Python数组，我可以执行以下操作:
arr = []
arr.append([1,2,3])
arr.append([4,5,6])
# arr is now [[1,2,3],[4,5,6]]
然而，我不能在numpy中做同样的事情。例如:
arr = np.array([])
arr = np.append(arr, np.array([1,2,3]))
arr = np.append(arr, np.array([4,5,6]))
# arr is now [1,2,3,4,5,6]
我还研究了vstack，但当我在一个空数组上使用vstack时，我得到:
ValueError: all the input array dimensions except for the concatenation axis must match exactly
那么我怎么做追加一个新行到一个空数组在numpy?
当前回答
“开始”你想要的数组的方法是:
arr = np.empty((0,3), int)
这是一个空数组，但它有适当的维数。
>>> arr
array([], shape=(0, 3), dtype=int64)
然后确保沿着轴0追加:
arr = np.append(arr, np.array([[1,2,3]]), axis=0)
arr = np.append(arr, np.array([[4,5,6]]), axis=0)
但是，@jonrsharpe是对的。事实上，如果你要在循环中追加，那么像第一个例子中那样追加到一个列表中，然后在最后转换为numpy数组会快得多，因为你在循环中并没有像预期的那样使用numpy:
In [210]: %%timeit
.....: l = []
.....: for i in xrange(1000):
.....: l.append([3*i+1,3*i+2,3*i+3])
.....: l = np.asarray(l)
.....:
1000 loops, best of 3: 1.18 ms per loop
In [211]: %%timeit
.....: a = np.empty((0,3), int)
.....: for i in xrange(1000):
.....: a = np.append(a, 3*i+np.array([[1,2,3]]), 0)
.....:
100 loops, best of 3: 18.5 ms per loop
In [214]: np.allclose(a, l)
Out[214]: True
numpythonic的方法取决于你的应用程序，但它更像是:
In [220]: timeit n = np.arange(1,3001).reshape(1000,3)
100000 loops, best of 3: 5.93 µs per loop
In [221]: np.allclose(a, n)
Out[221]: True
其他回答
在考虑内存时，这是更有效的方法:
shape = (n, inp_len)
arr= np.empty(shape)
for i in range(n):
arr[i] = np.expand_dims(arr, axis=0)
在这种情况下，你可能想使用函数np。Hstack和np.vstack
arr = np.array([])
arr = np.hstack((arr, np.array([1,2,3])))
# arr is now [1,2,3]
arr = np.vstack((arr, np.array([4,5,6])))
# arr is now [[1,2,3],[4,5,6]]
你也可以用np。连接功能。
干杯
“开始”你想要的数组的方法是:
arr = np.empty((0,3), int)
这是一个空数组，但它有适当的维数。
>>> arr
array([], shape=(0, 3), dtype=int64)
然后确保沿着轴0追加:
arr = np.append(arr, np.array([[1,2,3]]), axis=0)
arr = np.append(arr, np.array([[4,5,6]]), axis=0)
但是，@jonrsharpe是对的。事实上，如果你要在循环中追加，那么像第一个例子中那样追加到一个列表中，然后在最后转换为numpy数组会快得多，因为你在循环中并没有像预期的那样使用numpy:
In [210]: %%timeit
.....: l = []
.....: for i in xrange(1000):
.....: l.append([3*i+1,3*i+2,3*i+3])
.....: l = np.asarray(l)
.....:
1000 loops, best of 3: 1.18 ms per loop
In [211]: %%timeit
.....: a = np.empty((0,3), int)
.....: for i in xrange(1000):
.....: a = np.append(a, 3*i+np.array([[1,2,3]]), 0)
.....:
100 loops, best of 3: 18.5 ms per loop
In [214]: np.allclose(a, l)
Out[214]: True
numpythonic的方法取决于你的应用程序，但它更像是:
In [220]: timeit n = np.arange(1,3001).reshape(1000,3)
100000 loops, best of 3: 5.93 µs per loop
In [221]: np.allclose(a, n)
Out[221]: True
使用自定义dtype定义，对我有用的是:
import numpy
# define custom dtype
type1 = numpy.dtype([('freq', numpy.float64, 1), ('amplitude', numpy.float64, 1)])
# declare empty array, zero rows but one column
arr = numpy.empty([0,1],dtype=type1)
# store row data, maybe inside a loop
row = numpy.array([(0.0001, 0.002)], dtype=type1)
# append row to the main array
arr = numpy.row_stack((arr, row))
# print values stored in the row 0
print float(arr[0]['freq'])
print float(arr[0]['amplitude'])
以下是我的解决方案:
arr = []
arr.append([1,2,3])
arr.append([4,5,6])
np_arr = np.array(arr)
