我有一个看起来像这样的2d数组：
XX
xx
添加额外行和列的最有效方法是什么：
xxy
xxy
yyy
对于奖励积分，我也希望能够淘汰单行和列，所以例如在下面的矩阵中我希望能够淘汰所有的只留下x的 - 特别是我是试图同时删除第n行和第n列 - 我希望能够尽快完成此操作：
xxaxx
xxaxx
aaaaa
xxaxx
xxaxx
我能想到的代码行中最短的是第一个问题。
>>> import numpy as np
>>> p = np.array([[1,2],[3,4]])
>>> p = np.append(p, [[5,6]], 0)
>>> p = np.append(p, [[7],[8],[9]],1)
>>> p
array([[1, 2, 7],
[3, 4, 8],
[5, 6, 9]])
而对于第二个问题
p = np.array(range(20))
>>> p.shape = (4,5)
>>> p
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> n = 2
>>> p = np.append(p[:n],p[n+1:],0)
>>> p = np.append(p[...,:n],p[...,n+1:],1)
>>> p
array([[ 0, 1, 3, 4],
[ 5, 6, 8, 9],
[15, 16, 18, 19]])
使用tomeedee的答案中的示例，第一个问题的一个有用的替代答案是使用numpy的vstack和column_stack方法：
给定矩阵p，
>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])
可以通过以下方式生成增广矩阵：
>>> p = np.vstack( [ p , [5 , 6] ] )
>>> p = np.column_stack( [ p , [ 7 , 8 , 9 ] ] )
>>> p
array([[1, 2, 7],
[3, 4, 8],
[5, 6, 9]])
这些方法在实践中可能比np.append（）更方便，因为它们允许将1D数组附加到矩阵而不进行任何修改，与以下场景相反：
>>> p = np.array([ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] )
>>> p = np.append( p , [ 7 , 8 , 9 ] , 1 )
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 3234, in append
return concatenate((arr, values), axis=axis)
ValueError: arrays must have same number of dimensions
在回答第二个问题时，删除行和列的一种好方法是使用逻辑数组索引，如下所示：
给定矩阵p，
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
假设我们要删除第1行和第2列：
>>> r , c = 1 , 2
>>> p = p [ np.arange( p.shape[0] ) != r , : ]
>>> p = p [ : , np.arange( p.shape[1] ) != c ]
>>> p
array([[ 0, 1, 3, 4],
[10, 11, 13, 14],
[15, 16, 18, 19]])
注意 - 对于改革后的Matlab用户 - 如果你想在单行中做这些，你需要索引两次：
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]
此技术也可以扩展为删除行和列的集合，因此如果我们想要删除行0和2以及第1,2和3列，我们可以使用numpy的setdiff1d函数来生成所需的逻辑索引：
>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> r = [ 0 , 2 ]
>>> c = [ 1 , 2 , 3 ]
>>> p = p [ np.setdiff1d( np.arange( p.shape[0] ), r ) , : ]
>>> p = p [ : , np.setdiff1d( np.arange( p.shape[1] ) , c ) ]
>>> p
array([[ 5, 9],
[15, 19]])
第一个问题的另一个优雅解决方案可能是insert命令：
p = np.array([[1,2],[3,4]])
p = np.insert(p, 2, values=0, axis=1) # insert values before column 2
导致：
array([[1, 2, 0],
[3, 4, 0]])
insert可能比append慢，但允许您轻松地用一个值填充整个行/列。
至于第二个问题，delete之前已被建议：
p = np.delete(p, 2, axis=1)
这会再次恢复原始数组：
array([[1, 2],
[3, 4]])
通过在更大的矩阵中进行分配，我发现更容易“扩展”。例如。
import numpy as np
p = np.array([[1,2], [3,4]])
g = np.array(range(20))
g.shape = (4,5)
g[0:2, 0:2] = p
这是阵列：
p
array([[1, 2],
[3, 4]])
g：
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
分配后产生的g：
array([[ 1, 2, 2, 3, 4],
[ 3, 4, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
回答第一个问题：
使用numpy.append。
http://docs.scipy.org/doc/numpy/reference/generated/numpy.append.html#numpy.append
回答第二个问题：
使用numpy.delete
http://docs.scipy.org/doc/numpy/reference/generated/numpy.delete.html
您可以使用：
>>> np.concatenate([array1, array2, ...])
EG
>>> import numpy as np
>>> a = [[1, 2, 3],[10, 20, 30]]
>>> b = [[100,200,300]]
>>> a = np.array(a) # not necessary, but numpy objects prefered to built-in
>>> b = np.array(b) # "^
>>> a
array([[ 1, 2, 3],
[10, 20, 30]])
>>> b
array([[100, 200, 300]])
>>> c = np.concatenate([a,b])
>>> c
array([[ 1, 2, 3],
[ 10, 20, 30],
[100, 200, 300]])
>>> print c
[[ 1 2 3]
[ 10 20 30]
[100 200 300]]
~-+-~-+-~-+-~
有时，如果numpy数组对象初始化为其shape属性的值不完整，则会遇到麻烦。通过为形状属性指定元组：（array_length，element_length）来解决此问题。
注意：这里，'array_length'和'element_length'是整数参数，用于替换for中的值。 '元组'只是括号中的一对数字。
EG
>>> import numpy as np
>>> a = np.array([[1,2,3],[10,20,30]])
>>> b = np.array([100,200,300]) # initialize b with incorrect dimensions
>>> a.shape
(2, 3)
>>> b.shape
(3,)
>>> c = np.concatenate([a,b])
Traceback (most recent call last):
File "<pyshell#191>", line 1, in <module>
c = np.concatenate([a,b])
ValueError: all the input arrays must have same number of dimensions
>>> b.shape = (1,3)
>>> c = np.concatenate([a,b])
>>> c
array([[ 1, 2, 3],
[ 10, 20, 30],
[100, 200, 300]])
也许你需要这个。
>>> x = np.array([11,22])
>>> y = np.array([18,7,6])
>>> z = np.array([1,3,5])
>>> np.concatenate((x,y,z))
array([11, 22, 18, 7, 6, 1, 3, 5])