Python Numpy从对象追加多个列表
我多次调用一个对象，返回一个numpy列表：
for x in range(0,100):
d = simulation3()
d = [0, 1, 2, 3]
d = [4, 5, 6, 7]..and还有更多
我想获取每个列表并将其附加到一个2D数组中。
final_array = [[0, 1, 2, 3],[4, 5, 6, 7]...and等]
我尝试创建一个空数组(final_array = np.zeros(4,4))并将其追加，但在创建4X4 matrix之后会追加这些值。
有人能帮我吗？谢谢!
回答 3
Stack Overflow用户
发布于 2018-08-29 20:02:47
您可以使用np.fromiter从可迭代对象创建数组。默认情况下，此函数仅适用于标量，因此您可以使用itertools.chain来提供帮助：
np.random.seed(0)
from itertools import chain
def simulation3():
return np.random.randint(0, 10, 4)
n = 5
d = np.fromiter(chain.from_iterable(simulation3() for _ in range(5)), dtype='i')
d.shape = 5, 4
print(d)
array([[5, 0, 3, 3],
[7, 9, 3, 5],
[2, 4, 7, 6],
[8, 8, 1, 6],
[7, 7, 8, 1]], dtype=int32)但这是相对低效的。使用固定大小的数组时，NumPy的性能最好。如果事先知道数组的大小，则可以定义一个空数组并按顺序更新行。请参阅@norok2描述的alternatives。
Stack Overflow用户
发布于 2018-08-29 15:33:36
在numpy中有多种方法可以做到这一点，最简单的方法是像这样使用vstack：
对于Ex：
#you have these array you want to concat
d1 = [0, 1, 2, 3]
d2 = [4, 5, 6, 7]
d3 = [4, 5, 6, 7]
#initialize your variable with zero raw
X = np.zeros((0,4))
#then each time you call your function use np.vstack like this :
X = np.vstack((np.array(d1),X))
X = np.vstack((np.array(d2),X))
X = np.vstack((np.array(d2),X))
# and finally you have your array like below
#array([[4., 5., 6., 7.],
# [4., 5., 6., 7.],
# [0., 1., 2., 3.]])Stack Overflow用户
发布于 2018-08-29 19:47:54
最佳解决方案取决于您正在处理的数字/大小。我最喜欢的解决方案(只有当你已经知道最终结果的大小时才有效)是初始化包含结果的数组，然后填充每个数组，你可以初始化结果，然后使用视图填充它。这是内存效率最高的解决方案。
如果您不知道最终结果的大小，那么您最好生成一个列表列表，该列表可以在过程结束时转换(或堆叠)为NumPy数组。
以下是一些示例，其中gen_1d_list()用于生成一些随机数来模拟simulate3()的结果(这意味着在以下代码中，您应该将gen_1d_list(n, dtype)替换为simulate3())：
stacking1()使用viewsstacking2()实现填充，arraystacking3()实现列表生成，arraystacking4()和将转换为NumPy实现列表生成，堆叠到NumPy array实现前面提出的使用vstack()动态修改NumPy数组。
import numpy as np
def gen_1d_list(n, dtype=int):
return list(np.random.randint(1, 100, n, dtype))
def stacking1(n, m, dtype=int):
arr = np.empty((n, m), dtype=dtype)
for i in range(n):
arr[i] = gen_1d_list(m, dtype)
return arr
def stacking2(n, m, dtype=int):
items = [gen_1d_list(m, dtype) for i in range(n)]
arr = np.array(items)
return arr
def stacking3(n, m, dtype=int):
items = [gen_1d_list(m, dtype) for i in range(n)]
arr = np.stack(items, dtype)
return arr
def stacking4(n, m, dtype=int):
arr = np.zeros((0, m), dtype=dtype)
for i in range(n):
arr = np.vstack((gen_1d_list(m, dtype), arr))
return arr在时间方面，stacking1()和stacking2()的速度大致相同，而stacking3()和stacking4()的速度要慢得多(从比例上讲，小尺寸输入的速度要慢得多)。
一些数字，用于小尺寸输入：
n, m = 4, 10
%timeit stacking1(n, m)
# 15.7 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit stacking2(n, m)
# 14.2 µs ± 141 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit stacking3(n, m)
# 22.7 µs ± 282 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit stacking4(n, m)
# 31.8 µs ± 270 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)对于较大尺寸的输入：
n, m = 4, 1000000
%timeit stacking1(n, m)
# 344 ms ± 1.64 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit stacking2(n, m)
# 350 ms ± 1.65 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit stacking3(n, m)
# 370 ms ± 2.75 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit stacking4(n, m)
# 369 ms ± 3.01 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)https://stackoverflow.com/questions/52070051
复制相似问题
腾讯云开发者
