Полезным альтернативным ответом на первый вопрос, используя примеры из ответа tomeedee , было бы использование методов nstay vstack и column_stack :

Учитывая матрицу р,

>>> import numpy as np
>>> p = np.array([ [1,2] , [3,4] ])

расширенная матрица может быть сгенерирована:

>>> p = np.vstack( [ p , [5 , 6] ] )
>>> p = np.column_stack( [ p , [ 7 , 8 , 9 ] ] )
>>> p
array([[1, 2, 7],
       [3, 4, 8],
       [5, 6, 9]])

Эти методы могут быть удобны на практике, чем np.append (), поскольку они позволяют добавлять одномерные массивы в матрицу без каких-либо изменений, в отличие от следующего сценария:

>>> p = np.array([ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] )
>>> p = np.append( p , [ 7 , 8 , 9 ] , 1 )
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 3234, in append
    return concatenate((arr, values), axis=axis)
ValueError: arrays must have same number of dimensions

В ответ на второй вопрос хорошим способом удаления строк и столбцов является использование индексации логических массивов следующим образом:

Учитывая матрицу р,

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )

Предположим, мы хотим удалить строку 1 и столбец 2:

>>> r , c = 1 , 2
>>> p = p [ np.arange( p.shape[0] ) != r , : ] 
>>> p = p [ : , np.arange( p.shape[1] ) != c ]
>>> p
array([[ 0,  1,  3,  4],
       [10, 11, 13, 14],
       [15, 16, 18, 19]])

Примечание - для реформированных пользователей Matlab - если вы хотите сделать это в одну строку, вам нужно проиндексировать дважды:

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )    
>>> p = p [ np.arange( p.shape[0] ) != r , : ] [ : , np.arange( p.shape[1] ) != c ]

Эта техника также может быть расширена для удаления наборов строк и столбцов, поэтому, если мы хотим удалить строки 0 и 2 и столбцы 1, 2 и 3, мы можем использовать функцию numpy setdiff1d для генерации желаемого логического индекса:

>>> p = np.arange( 20 ).reshape( ( 4 , 5 ) )
>>> r = [ 0 , 2 ]
>>> c = [ 1 , 2 , 3 ]
>>> p = p [ np.setdiff1d( np.arange( p.shape[0] ), r ) , : ] 
>>> p = p [ : , np.setdiff1d( np.arange( p.shape[1] ) , c ) ]
>>> p
array([[ 5,  9],
       [15, 19]])

Ответ на первый вопрос:

Используйте numpy.append.

http://docs.scipy.org/doc/numpy/reference/generated/numpy.append.html#numpy.append

Ответ на второй вопрос:

Используйте numpy.delete

http://docs.scipy.org/doc/numpy/reference/generated/numpy.delete.html

Я считаю, что гораздо проще «расширять», присваивая в большей матрице. Например

import numpy as np
p = np.array([[1,2], [3,4]])
g = np.array(range(20))
g.shape = (4,5)
g[0:2, 0:2] = p

Вот массивы:

p

   array([[1, 2],
       [3, 4]])

g:

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

и полученный gпосле присваивания:

   array([[ 1,  2,  2,  3,  4],
       [ 3,  4,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

может тебе это нужно.

>>> x = np.array([11,22])
>>> y = np.array([18,7,6])
>>> z = np.array([1,3,5])
>>> np.concatenate((x,y,z))
array([11, 22, 18,  7,  6,  1,  3,  5])

Еще одним изящным решением первого вопроса может стать insertкоманда:

p = np.array([[1,2],[3,4]])
p = np.insert(p, 2, values=0, axis=1) # insert values before column 2

Приводит к:

array([[1, 2, 0],
       [3, 4, 0]])

insertможет быть медленнее, чем, appendно позволяет легко заполнить всю строку / столбец одним значением.

Что касается второго вопроса , deleteбыло предложено ранее:

p = np.delete(p, 2, axis=1)

Что восстанавливает исходный массив снова:

array([[1, 2],
       [3, 4]])

Ты можешь использовать:

>>> np.concatenate([array1, array2, ...]) 

например

>>> import numpy as np
>>> a = [[1, 2, 3],[10, 20, 30]]
>>> b = [[100,200,300]]
>>> a = np.array(a) # not necessary, but numpy objects prefered to built-in
>>> b = np.array(b) # "^
>>> a
array([[ 1,  2,  3],
       [10, 20, 30]])
>>> b
array([[100, 200, 300]])
>>> c = np.concatenate([a,b])
>>> c
array([[  1,   2,   3],
       [ 10,  20,  30],
       [100, 200, 300]])
>>> print c
[[  1   2   3]
 [ 10  20  30]
 [100 200 300]]

~ - + - ~ - + - ~ - + - ~

Иногда вы сталкиваетесь с проблемами, если объект массива инициализируется с неполными значениями для его свойства shape. Эта проблема решается путем присвоения свойству shape кортежа: (array_length, element_length).

Примечание. Здесь «array_length» и «element_length» являются целочисленными параметрами, для которых вы подставляете значения. «Кортеж» - это просто пара чисел в скобках.

например

>>> import numpy as np
>>> a = np.array([[1,2,3],[10,20,30]])
>>> b = np.array([100,200,300]) # initialize b with incorrect dimensions
>>> a.shape
(2, 3)
>>> b.shape
(3,)
>>> c = np.concatenate([a,b])

Traceback (most recent call last):
  File "<pyshell#191>", line 1, in <module>
    c = np.concatenate([a,b])
ValueError: all the input arrays must have same number of dimensions
>>> b.shape = (1,3)
>>> c = np.concatenate([a,b])
>>> c
array([[  1,   2,   3],
       [ 10,  20,  30],
       [100, 200, 300]])

Почему пример rroowwllaanndd дает ошибку?

>>> p = np.array([ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] )
>>> p = np.append( p , [ 7 , 8 , 9 ] , 1 )
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 3234, in append
    return concatenate((arr, values), axis=axis)
ValueError: arrays must have same number of dimensions