numpy数组的拼接(扩维拼接和非扩维拼接)

numpy数组的数组拼接方式非常多，特写一篇blog来总结一下。
想转载请留言获批准。

hstack, vstack, dstack, concatenate, stack这些函数都可以用来拼接Numpy数组。还可以利用list来拼接数组。
对于拼接的效果其实我们可以划分为2类：

横向拼接：hstack, vstack, concatenate等。横向拼接的意思是指，拼接不会产生更高的维度。比如两个2x2的二维矩阵拼接以后，它还是一个二维矩阵，只是变胖了，变成4x2或者2x4。
扩维拼接：dstack, stack等。拼接后会产生更高的维度，两个(2, 2)的二维矩阵拼接会产生(2, 2, 2)的三维矩阵。

1. 水平拼接hstack

np.hstack()

import numpy as np
a = np.array([1, 1], [1, 1])
b = np.array([2, 2], [2, 2])
c = np.hstack((a, b))
print(c)
print(c.shape)

输出为：

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

2. 垂直拼接数组vstack

np.vstack()

import numpy as np
a = np.array([1, 1], [1, 1])
b = np.array([2, 2], [2, 2])
c = np.vstack((a, b))
print(c)
print(c.shape)

输出为：

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

3.深度拼接dstack

np.dstack()

import numpy as np
a = np.array([1, 2], [3, 4])
b = np.array([5, 6], [7, 8])
c = np.dstack((a, b))
print(c)
print(c.shape)

输出为：

array([[[1, 5],[2, 6]],[[3, 7],[4, 8]]])
(2, 2, 2)

4.concatenate()函数拼接
concatenate()是非常灵活的拼接函数。

np.concatenate()

import numpy as np
a = np.array([1, 1], [1, 1])
b = np.array([2, 2], [2, 2])
c = np.concatenate((a, b), axis=0)
print(c)
print(c.shape)

输出为:

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

可见axis=0时，concatenate的功能和vstack一样。axis=0的含义就是，在第0个维度扩展，其他维度保持不变。这里的第0个维度之前是2，现在是4。
而axis=1时，输出为:

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

可见axis=1时，concatenate的功能和hstack一样。
注意，axis的取值只能小于被拼接数组的维度(2)，所以axis在这里只能取0和1。
但对于多维数组的拼接，concatenate就十分方便了。

5.利用list来实现扩维拼接
我们先构建一个空list

import numpy as np
ls = []
a = np.array([[1, 1],[1, 1]])
b = np.array([[2, 2],[2, 2]])
ls.append(a)
ls.append(b)
c = np.array(ls)
print(c)
print(c.shape)

输出为:

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

注意，这一操作和dstack是有不同之处的。这个操作是将两个数组叠放在一起而已。

6. 用stack来拼接数组
我们知道stack是扩维拼接，和concatenate有本质的区别。对于两个(2, 2)的数组用stack拼接，我们的结果一定是个三维的，而concatenate的结果是二维的。
涉及到数组的扩维，我们就可以从维度上来理解stack的操作了，初始为2个shape为(2,2)的矩阵，扩展之后：
如果axis = 0，得出结果的shape应该是(_, 2, 2)。看清楚下划线没有，这个位置的维度是虚位以待的，如果有n(n>=2)个矩阵来拼接，这个下划线的数值就应该是n；(在本博文的栗子里，n=2)
如果axis=1，结果应该是(2, _, 2)，在第1个维度上虚位以待；
如果axis=2，结果应该是(2, 2, _)，在第2个维度上虚位以待；

np.stack()

import numpy as np
a = np.array([1, 1], [1, 1])
b = np.array([2, 2], [2, 2])
c = np.stack((a, b), axis=0)
print(c)
print(c.shape)

输出为：

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

当axis=0时，np.stack就可以实现list一样功能的扩维拼接。
再来看axis=1:
为了更容易看到效果，把两个数组的值改一下：

import numpy as np
a = np.array([1, 2], [3, 4])
b = np.array([5, 6], [7, 8])
c = np.stack((a, b), axis=0)
print(c)
print(c.shape)

array([[[1, 2],[5, 6]],[[3, 4],[7, 8]]])
(2, 2, 2)

再看当axis=2时，

array([[[1, 5],[2, 6]],[[3, 7],[4, 8]]])
(2, 2, 2)

可见，axis=2时，stack和dstack的效果一样。

numpy数组的拼接(扩维拼接和非扩维拼接)相关推荐

Numpy数组拼接总结
方法一: Numpy中使用级联函数concatenate()来连接两个数组,可选参数为连接轴(连接维度) axis,axis默认为0,即默认在第0维上进行元素的连接. 级联函数使两数组指定维axis ...
Python中numpy数组的拼接、合并
转载 https://blog.csdn.net/qq_39516859/article/details/80666070?utm_source=blogxgwz1 Python中numpy数组的合并 ...
numpy数组切片：一维/二维/数组
文章目录 numpy数组切片操作一维数组(冒号:) 1.一个参数:a[i] 2.两个参数:b=a[i:j] 3.三个参数:格式b = a[i:j:s] 4.例子二维数组(逗号,) 取元素 X[n0 ...
numpy使用[]语法索引二维numpy数组中指定行列位置的数值内容(access value at certain row and column in numpy array)
numpy使用[]语法索引二维numpy数组中指定行列位置的数值内容(access value at certain row and column in numpy array) 目录
numpy使用[]语法索引二维numpy数组中指定指定行之后所有数据行的数值内容(accessing rows in numpy array after specifc row)
numpy使用[]语法索引二维numpy数组中指定指定行之后所有数据行的数值内容(accessing rows in numpy array after specifc row) 目录
numpy使用[]语法索引二维numpy数组中指定数据行的数值内容(accessing the specific row in numpy array)
numpy使用[]语法索引二维numpy数组中指定数据行的数值内容(accessing the specific row in numpy array) 目录 numpy使用[]语法索引二维numpy ...
numpy使用[]语法索引二维numpy数组中指定范围数据行的数值内容(accessing rows in numpy array with specific range)
numpy使用[]语法索引二维numpy数组中指定范围数据行的数值内容(accessing rows in numpy array with specific range) 目录
numpy使用[]语法索引二维numpy数组中指定指定行之前所有数据行的数值内容(accessing rows in numpy array before specifc row)
numpy使用[]语法索引二维numpy数组中指定指定行之前所有数据行的数值内容(accessing rows in numpy array before specifc row) 目录
numpy使用[]语法索引二维numpy数组中指定指定列之后所有数据列的数值内容(accessing columns in numpy array after specifc column)
numpy使用[]语法索引二维numpy数组中指定指定列之后所有数据列的数值内容(accessing columns in numpy array after specifc column) 目录

numpy数组的拼接(扩维拼接和非扩维拼接)

numpy数组的拼接(扩维拼接和非扩维拼接)相关推荐

最新文章

热门文章