Как добавить единичный столбец в матрицу numpy? 🔄️

Как добавить единичный столбец в матрицу numpy

Добавление единичного столбца в матрицу numpy может быть полезным при работе с данными и выполнении различных операций. В этой статье мы рассмотрим простой способ добавления нового столбца в numpy матрицу.

Шаг 1: Создание исходной матрицы

Первым шагом является создание исходной матрицы, к которой мы хотим добавить новый столбец. Для этого мы можем использовать функцию numpy.array(), передавая в нее список списков или двумерный массив.

import numpy as np

# Создание исходной матрицы
matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])
    

В этом примере мы создали матрицу размером 3x3 с числами от 1 до 9.

Шаг 2: Создание нового столбца

Теперь давайте создадим новый столбец, который мы хотим добавить в матрицу. Мы можем использовать функцию numpy.ones(), чтобы создать столбец с заполнением единицами. Затем мы используем функцию numpy.column_stack(), чтобы объединить исходную матрицу с новым столбцом.

# Создание нового столбца
new_column = np.ones((matrix.shape[0], 1))

# Объединение исходной матрицы с новым столбцом
new_matrix = np.column_stack((matrix, new_column))
    

В этом примере мы создали столбец единиц размером 3x1 и объединили его с исходной матрицей. Теперь новая матрица имеет размер 3x4.

Шаг 3: Результат

Теперь можем вывести исходную и новую матрицы, чтобы убедиться, что новый столбец был успешно добавлен.

# Вывод исходной матрицы
print("Исходная матрица:")
print(matrix)

# Вывод новой матрицы
print("Новая матрица:")
print(new_matrix)
    

Вывод:

Исходная матрица:
[[1 2 3]
 [4 5 6]
 [7 8 9]]
    
Новая матрица:
[[1 2 3 1]
 [4 5 6 1]
 [7 8 9 1]]
    

Как видно из вывода, новый столбец с заполнением единицами был успешно добавлен в матрицу numpy.

Заключение

В этой статье мы рассмотрели простой способ добавления единичного столбца в матрицу numpy. Мы использовали функции numpy.ones() и numpy.column_stack() для создания и объединения нового столбца с исходной матрицей. Этот подход может быть полезен при работе с данными и выполнении различных операций в numpy.