提问人：Rafael Valero 提问时间：1/25/2018 最后编辑：marc_sRafael Valero 更新时间：1/29/2018 访问量：110
从 ndarray Python 2.7 中删除列和行
Removing columns and rows from ndarray Python 2.7
问：
我已经实现了算法，可以在 Python 2.7 中从 ndarray 中删除一些列和行，但是我觉得应该有更好的方法可以做到这一点。可能我不知道如何在 Python 中做好它，这就是我在这里提出问题的原因。我一直在搜索，但我没有成功找到类似的问题和文档（例如，在 scipy 的切片和索引文档中)
假设我有一个包含一些行和列的 ndarray：
number_of_rows = 3
number_of_columns = 3
a = np.arange(number_of_rows*number_of_columns).reshape(number_of_rows,number_of_columns)
a
哪个输出是：
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
假设我想删除上一个 ndarray 的一些列和/或行。特别是我想删除第 0 列和第 1 行，这是一个输出，如下所示：
array([[1, 2],
[7, 8]])
为此，我遵循以下步骤，但是它们看起来不是很优雅，我觉得它们应该是一个更好的实现。
在此示例中，我选择要删除的列和行：
rows_to_remove = [1] columns_to_remove = [0]现在，我创建了几个列表，其中包含要保留的列和行。
rows_to_keep = list(set(range(0,a.shape[0]))-set(rows_to_remove)) columns_to_keep = list(set(range(0,a.shape[1]))-set(columns_to_remove))Matlab 中的这一步将更简单，只需使用 ~ 对矩阵的索引进行切片（在 python ndarray 中）。有没有更好的方法可以做到这一点？
然后，我选择要保留的列和行：
a[rows_to_keep,:][:,columns_to_keep]
输出：
array([[1, 2],
[7, 8]])
请注意，如果您只是写：
a[rows_to_keep,columns_to_keep]
哪个输出是：
array([1, 8])
这对我来说有点麻烦，这与.有没有更好的方法来完成这些步骤？a[rows_to_keep,columns_to_keep]a[rows_to_keep,:][:,columns_to_keep]
谢谢
答：
0赞
I.Seck
1/25/2018
#1
您可以使用 delete 方法来完成此操作： 以问题中的数组为例。它会是这样的：
number_of_rows = 3
number_of_columns = 3
a=np.arange(number_of_rows*number_of_columns).reshape(number_of_rows,number_of_columns)
b=np.delete(a,1,0)
b=np.delete(b,0,1)
瞧，b 包含输出数组，你想要！！
评论
0赞
Rafael Valero
1/25/2018
谢谢。出于不同的原因，我不应该这样做：a）该位置对于追溯数据很有用。b） 稍后我想使用整个矩阵。愿你安好
0赞
I.Seck
1/25/2018
在使用 delete 方法之前，可以将要删除的行和列的位置放在变量中。你还不如保留原来的矩阵！
0赞
Rafael Valero
1/26/2018
没错，但它是一个大矩阵，从内存的角度来看，它可能是不足的。
0赞
Rafael Valero
1/29/2018
#2
对于问题 2）
而不是：
a[rows_to_keep,:][:,columns_to_keep]
用：
a[np.ix_(rows_to_keep,columns_to_keep)].
这称为高级索引（请参阅 [Numpy 文档1 和以最 pythonian 的方式在 ndarray 的子 ndarray 中写入。Python 2 中文文档)
对于问题 1） 我将使用问题 2 上一个解决方案： a） 创建掩码，有更优雅的方法可以做到这一点，例如，为了简单起见，请参阅从数组创建布尔掩码：
mask = np.zeros(a.shape,dtype=bool)
mask[rows_to_remove,:] = True
mask[:,columns_to_remove] = True
现在，您可以可视化：
a[~np.array(mask)]
请注意，现在不需要问题 2） 答案。
摘要：
mask = np.zeros(a.shape,dtype=bool)
mask[rows_to_remove,:] = True
mask[:,columns_to_remove] = True
a[~np.array(mask)]
如果需要，您可以重塑：
a[~np.array(mask)].reshape(a.shape[0]-len(rows_to_remove),a.shape[1]-len(columns_to_remove))
评论