有没有办法动态扩展的阵列SciPy的动态扩展一个SciPy的阵列
from scipy import sci
time = sci.zeros((n,1), 'double')
我们可以增加time
数组的大小之后呢?
有没有办法动态扩展的阵列SciPy的动态扩展一个SciPy的阵列
from scipy import sci
time = sci.zeros((n,1), 'double')
我们可以增加time
数组的大小之后呢?
可以使用resize
方法扩展数组,但对于大型数组可能会很慢,所以请尽量避免使用*。
例如:
import scipy as sci
n=3
time = sci.zeros((n,1), 'double')
print(time)
# [[ 0.]
# [ 0.]
# [ 0.]]
time.resize((n+1,2))
print(time)
# [[ 0. 0.]
# [ 0. 0.]
# [ 0. 0.]
# [ 0. 0.]]
*相反,找出你从一开始的数组多大需要,并分配该形状time
只有一次。一般来说,过度分配比调整大小要快。
生成的time
数组只是一个Numpy Array,您可以使用标准的Numpy方法来操作它们,例如numpy#insert,它将返回一个修改后的数组,其中插入了新的元素。实例的使用,从NumPy的文档(这里np
是短期的numpy
):
>>> a = np.array([[1, 1], [2, 2], [3, 3]])
>>> a
array([[1, 1],
[2, 2],
[3, 3]])
>>> np.insert(a, 1, 5)
array([1, 5, 1, 2, 2, 3, 3])
>>> np.insert(a, 1, 5, axis=1)
array([[1, 5, 1],
[2, 5, 2],
[3, 5, 3]])
此外,numpy#insert
比numpy#resize
快:
>>> timeit np.insert(time, 1, 1, 1)
100000 loops, best of 3: 16.7 us per loop
>>> timeit np.resize(time, (20,1))
10000 loops, best of 3: 27.1 us per loop
SCI不规范,解释它 –