有没有“扩展” numpy ndarray 的好方法？假设我有一个这样的 ndarray：
[[1 2]
[3 4]]
我希望每一行通过填充零来包含更多元素：
[[1 2 0 0 0]
[3 4 0 0 0]]
我知道必须有一些蛮力的方法来做到这一点（比如用零构造一个更大的数组，然后从旧的更小的数组中复制元素），只是想知道是否有 pythonic 方法来做到这一点。试过numpy.reshape但没有用：
import numpy as np
a = np.array([[1, 2], [3, 4]])
np.reshape(a, (2, 5))
Numpy 抱怨说：ValueError: total size of new array must be unchanged
您可以使用numpy.pad，如下所示：
>>> import numpy as np
>>> a=[[1,2],[3,4]]
>>> np.pad(a, ((0,0),(0,3)), mode='constant', constant_values=0)
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
这里np.pad说，“获取数组a并在其上方添加 0 行，在其下方添加 0 行，在其左侧添加 0 列，在其右侧添加 3 列。用“constant指定的constant_values”填充这些列。
有索引技巧r_和c_.
>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> z = np.zeros((2, 3), dtype=a.dtype)
>>> np.c_[a, z]
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
如果这是性能关键代码，您可能更喜欢使用等效np.concatenate而不是索引技巧。
>>> np.concatenate((a,z), axis=1)
array([[1, 2, 0, 0, 0],
[3, 4, 0, 0, 0]])
还有np.resizeand np.ndarray.resize，但它们有一些限制（由于 numpy 在内存中布置数据的方式），因此请阅读这些文档字符串。您可能会发现简单地连接更好。
顺便说一句，当我需要这样做时，我通常只是按照您已经提到的基本方式（创建一个零数组并在其中分配较小的数组），我看不出有什么问题！
需要明确的是：没有扩展 NumPy 数组的“好”方法，因为 NumPy 数组不可扩展。一旦定义了数组，它在内存中占据的空间，它的元素数量和每个元素的大小的组合，是固定的，不能改变。您唯一能做的就是创建一个新数组并用原始数组的元素替换其中的一些元素。
为了方便起见，可以使用许多函数（np.concatenate函数及其np.*stack快捷方式、np.column_stack、索引例程np.r_和np.c_...），但仅此而已：便利函数。其中一些在 C 级别进行了优化（np.concatenate我认为是和其他的），有些则不是。
请注意，您最初建议“手动”创建一个大数组（可能用零填充）并自己用初始数组填充它，这根本没有任何意义。更复杂的解决方案可能更具可读性。
您应该使用np.column_stack或append
import numpy as np
p = np.array([ [1,2] , [3,4] ])
p = np.column_stack( [ p , [ 0 , 0 ],[0,0] ] )
p
Out[277]:
array([[1, 2, 0, 0],
[3, 4, 0, 0]])
附加似乎更快：
timeit np.column_stack( [ p , [ 0 , 0 ],[0,0] ] )
10000 loops, best of 3: 61.8 us per loop
timeit np.append(p, [[0,0],[0,0]],1)
10000 loops, best of 3: 48 us per loop
并且与np.c_[ np.hstackappend 似乎仍然是最快的] 进行比较：
In [295]: z=np.zeros((2, 2), dtype=a.dtype)
In [296]: timeit np.c_[a, z]
10000 loops, best of 3: 47.2 us per loop
In [297]: timeit np.append(p, z,1)
100000 loops, best of 3: 13.1 us per loop
In [305]: timeit np.hstack((p,z))
10000 loops, best of 3: 20.8 us per loop
并且np.concatenate[这比append] 还要快一点：
In [307]: timeit np.concatenate((p, z), axis=1)
100000 loops, best of 3: 11.6 us per loop
# what you want to expand
x = np.ones((3, 3))
# expand to what shape
target = np.zeros((6, 6))
# do expand
target[:x.shape[0], :x.shape[1]] = x
# print target
array([[ 1., 1., 1., 0., 0., 0.],
[ 1., 1., 1., 0., 0., 0.],
[ 1., 1., 1., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.]])
从https://stackoverflow.com/a/35751427/1637673借用，稍作修改。
def pad(array, reference_shape, offsets=None):
"""
array: Array to be padded
reference_shape: tuple of size of narray to create
offsets: list of offsets (number of elements must be equal to the dimension of the array)
will throw a ValueError if offsets is too big and the reference_shape cannot handle the offsets
"""
if not offsets:
offsets = np.zeros(array.ndim, dtype=np.int32)
# Create an array of zeros with the reference shape
result = np.zeros(reference_shape, dtype=np.float32)
# Create a list of slices from offset to offset + shape in each dimension
insertHere = [slice(offsets[dim], offsets[dim] + array.shape[dim]) for dim in range(array.ndim)]
# Insert the array in the result at the specified offsets
result[insertHere] = array
return result
还有类似的方法，如 np.vstack、np.hstack、np.dstack。我喜欢这些而不是 np.concatente，因为它清楚地表明了正在“扩展”的维度。
temp = np.array([[1, 2], [3, 4]])
np.hstack((temp, np.zeros((2,3))))
很容易记住，因为 numpy 的第一个轴是垂直的，所以 vstack 扩展了第一个轴，第二个轴是水平的，所以 hstack。