как увеличить размер numpy матрицы?

#python #numpy

Задача : есть некая матрица размерности - (4,5,3). Мне нужно её расширить до (8,9,3)
, заполнив новое место нулями . Как проще всего это сделать ?
    

Ответы

Ответ 1

Без копирования данных не обойтись, поэтому можно просто создать новый массив нужного
размера и записать данные:

new = np.zeros((8, 9, 3))
new[:4,:5,:3] = old


К примеру, если old = np.arange(60).reshape((4,5,3)), то:

>>> new[2]
array([[30., 31., 32.],
       [33., 34., 35.],
       [36., 37., 38.],
       [39., 40., 41.],
       [42., 43., 44.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])




Можно явно скопировать и вызвать resize() метод:

new = old.copy()  # avoid ValueError: cannot resize this array: it does not own its data
new.resize((8, 9, 3))


В отличии от numpy.resize() функции, resize() метод нулями заполняет новые места.
Распределение нулей другое (сперва все старые данные идут в Си-порядке в памяти, затем
все нули):

>>> new[2]
array([[54, 55, 56],
       [57, 58, 59],
       [ 0,  0,  0],
       [ 0,  0,  0],
       [ 0,  0,  0],
       [ 0,  0,  0],
       [ 0,  0,  0],
       [ 0,  0,  0],
       [ 0,  0,  0]])


Сравнение производительности

In [1]: import numpy as np
In [2]: old = np.arange(60).reshape((4,5,3))
In [3]: %timeit new = np.concatenate((old, np.zeros_like(old))); new = np.concatenate((new,
np.zeros((8, 4, 3))), axis=1)
13.9 µs ± 16.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [4]: %timeit new = np.zeros((8,9,3)); new[:4,:5,:3] = old
2.63 µs ± 168 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [5]: %timeit new = old.copy(); new.resize((8, 9, 3))
1.92 µs ± 15.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)


resize() самый быстрый здесь.


Ответ 2

Не знаю, можно ли одной командой это сделать, но как вариант расширять по каждой
размерности.

import numpy as np

arr = np.ones((4, 5, 3))

arr = np.concatenate((arr, np.zeros_like(arr)))
print(arr.shape) # -> (8, 5, 3)

arr = np.concatenate((arr, np.zeros((8, 4, 3))), axis=1)
print(arr.shape) # -> (8, 9, 3)