numpy.insert#

numpy.insert(arr, obj, values, axis=None)[源代码]#

沿给定轴在给定索引之前插入值.

参数:
arrarray_like

输入数组.

objslice, int, 整数或布尔值的类数组对象

定义插入 values 之前的索引的对象.

在 2.1.2 版本发生变更: 布尔索引现在被视为要插入的元素的掩码,而不是转换为整数 0 和 1.

当 obj 是单个标量或具有一个元素的序列时,支持多次插入(类似于多次调用 insert).

valuesarray_like

要插入到 arr 中的值. 如果 values 的类型与 arr 的类型不同,则 values 将转换为 arr 的类型. values 的形状应使 arr[...,obj,...] = values 合法.

axis整数,可选

沿其插入 values 的轴. 如果 axis 为 None,则首先将 arr 展平.

返回:
outndarray

插入 values 的 arr 的副本. 请注意, insert 不会就地发生:将返回一个新数组. 如果 axis 为 None,则 out 是一个展平的数组.

参见

append

在数组末尾追加元素.

concatenate

沿现有轴连接一系列数组.

delete

从数组中删除元素.

注释

请注意,对于更高维度的插入, obj=0 的行为与 obj=[0] 非常不同,就像 arr[:,0,:] = values 与 arr[:,[0],:] = values 不同一样. 这是因为基本索引和高级索引 indexing 之间的区别.

示例

>>> import numpy as np
>>> a = np.arange(6).reshape(3, 2)
>>> a
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> np.insert(a, 1, 6)
array([0, 6, 1, 2, 3, 4, 5])
>>> np.insert(a, 1, 6, axis=1)
array([[0, 6, 1],
       [2, 6, 3],
       [4, 6, 5]])

序列和标量之间的区别,展示了 obj=[1] 与 obj=1 的行为有何不同:

>>> np.insert(a, [1], [[7],[8],[9]], axis=1)
array([[0, 7, 1],
       [2, 8, 3],
       [4, 9, 5]])
>>> np.insert(a, 1, [[7],[8],[9]], axis=1)
array([[0, 7, 8, 9, 1],
       [2, 7, 8, 9, 3],
       [4, 7, 8, 9, 5]])
>>> np.array_equal(np.insert(a, 1, [7, 8, 9], axis=1),
...                np.insert(a, [1], [[7],[8],[9]], axis=1))
True

>>> b = a.flatten()
>>> b
array([0, 1, 2, 3, 4, 5])
>>> np.insert(b, [2, 2], [6, 7])
array([0, 1, 6, 7, 2, 3, 4, 5])

>>> np.insert(b, slice(2, 4), [7, 8])
array([0, 1, 7, 2, 8, 3, 4, 5])

>>> np.insert(b, [2, 2], [7.13, False]) # type casting
array([0, 1, 7, 0, 2, 3, 4, 5])

>>> x = np.arange(8).reshape(2, 4)
>>> idx = (1, 3)
>>> np.insert(x, idx, 999, axis=1)
array([[  0, 999,   1,   2, 999,   3],
       [  4, 999,   5,   6, 999,   7]])
当前页面