python vstack

Python numpy函数hstack() vstack() stack() dstack() vsplit() concatenate()

感觉numpy.hstack()和numpy.column_stack()函数略有相似，numpy.vstack()与numpy.row_stack()函数也是挺像的。

stackoverflow上也有类似的讨论，在这里numpy vstack vs. column_stack。

给一个相关函数的列表：

stack()    Join a sequence of arrays along a new axis.

hstack()    Stack arrays in sequence horizontally (column wise).

dstack()    Stack arrays in sequence depth wise (along third dimension).

concatenate()     Join a sequence of arrays along an existing axis.

vsplit ()   Split array into a list of multiple sub-arrays vertically.

一、numpy.stack()函数

函数原型：numpy.stack(arrays, axis=0)

程序实例：

[python] view plain copy

1. >>> arrays = [np.random.randn(3, 4) for _ in range(10)]  
2. >>> np.stack(arrays, axis=0).shape  
3. (10, 3, 4)  
4.   
5. >>>  
6.   
7. >>> np.stack(arrays, axis=1).shape  
8. (3, 10, 4)  
9.   
10. >>>  
11.   
12. >>> np.stack(arrays, axis=2).shape  
13. (3, 4, 10)  
14.   
15. >>>  
16.   
17. >>> a = np.array([1, 2, 3])  
18. >>> b = np.array([2, 3, 4])  
19. >>> np.stack((a, b))  
20. array([[1, 2, 3],  
21.        [2, 3, 4]])  
22.   
23. >>>  
24.   
25. >>> np.stack((a, b), axis=-1)  
26. array([[1, 2],  
27.        [2, 3],  
28.        [3, 4]])  

 

二、numpy.hstack()函数

函数原型：numpy.hstack(tup)

其中tup是arrays序列，The arrays must have the same shape, except in the dimensioncorresponding to axis (the first, by default).

等价于：np.concatenate(tup, axis=1)

程序实例：

[python] view plain copy

1. >>> a = np.array((1,2,3))  
2. >>> b = np.array((2,3,4))  
3. >>> np.hstack((a,b))  
4. array([1, 2, 3, 2, 3, 4])  
5. >>> a = np.array([[1],[2],[3]])  
6. >>> b = np.array([[2],[3],[4]])  
7. >>> np.hstack((a,b))  
8. array([[1, 2],  
9.        [2, 3],  
10.        [3, 4]])  

 

三、numpy.vstack()函数

函数原型：numpy.vstack(tup)

等价于：np.concatenate(tup, axis=0） if tup contains arrays thatare at least 2-dimensional.

程序实例：

[python] view plain copy

1. >>> a = np.array([1, 2, 3])  
2. >>> b = np.array([2, 3, 4])  
3. >>> np.vstack((a,b))  
4. array([[1, 2, 3],  
5.        [2, 3, 4]])  
6.   
7. >>>  
8.   
9. >>> a = np.array([[1], [2], [3]])  
10. >>> b = np.array([[2], [3], [4]])  
11. >>> np.vstack((a,b))  
12. array([[1],  
13.        [2],  
14.        [3],  
15.        [2],  
16.        [3],  
17.        [4]])  

四、numpy.dstack(）函数

函数原型：numpy.dstack(tup)

等价于：np.concatenate(tup, axis=2)

程序实例：

[python] view plain copy

1. >>> a = np.array((1,2,3))  
2. >>> b = np.array((2,3,4))  
3. >>> np.dstack((a,b))  
4. array([[[1, 2],  
5.         [2, 3],  
6.         [3, 4]]])  
7.   
8. >>>  
9.   
10. >>> a = np.array([[1],[2],[3]])  
11. >>> b = np.array([[2],[3],[4]])  
12. >>> np.dstack((a,b))  
13. array([[[1, 2]],  
14.        [[2, 3]],  
15.        [[3, 4]]])  

 

五、numpy.concatenate()函数

函数原型：numpy.concatenate((a1, a2, ...), axis=0)

程序实例：

[python] view plain copy

1. >>> a = np.array([[1, 2], [3, 4]])  
2. >>> b = np.array([[5, 6]])  
3. >>> np.concatenate((a, b), axis=0)  
4. array([[1, 2],  
5.        [3, 4],  
6.        [5, 6]])  
7. >>> np.concatenate((a, b.T), axis=1)  
8. array([[1, 2, 5],  
9.        [3, 4, 6]])  
10.   
11. This function will not preserve masking of MaskedArray inputs.  
12. >>>  
13.   
14. >>> a = np.ma.arange(3)  
15. >>> a[1] = np.ma.masked  
16. >>> b = np.arange(2, 5)  
17. >>> a  
18. masked_array(data = [0 -- 2],  
19.              mask = [False  True False],  
20.        fill_value = 999999)  
21. >>> b  
22. array([2, 3, 4])  
23. >>> np.concatenate([a, b])  
24. masked_array(data = [0 1 2 2 3 4],  
25.              mask = False,  
26.        fill_value = 999999)  
27. >>> np.ma.concatenate([a, b])  
28. masked_array(data = [0 -- 2 2 3 4],  
29.              mask = [False  True False False False False],  
30.        fill_value = 999999)  

 

六、numpy.vsplit()函数

函数原型：numpy.vsplit(ary, indices_or_sections)

程序实例：

[python] view plain copy

1. >>> x = np.arange(16.0).reshape(4, 4)  
2. >>> x  
3. array([[  0.,   1.,   2.,   3.],  
4.        [  4.,   5.,   6.,   7.],  
5.        [  8.,   9.,  10.,  11.],  
6.        [ 12.,  13.,  14.,  15.]])  
7. >>> np.vsplit(x, 2)  
8. [array([[ 0.,  1.,  2.,  3.],  
9.        [ 4.,  5.,  6.,  7.]]),  
10.  array([[  8.,   9.,  10.,  11.],  
11.        [ 12.,  13.,  14.,  15.]])]  
12. >>> np.vsplit(x, np.array([3, 6]))  
13. [array([[  0.,   1.,   2.,   3.],  
14.        [  4.,   5.,   6.,   7.],  
15.        [  8.,   9.,  10.,  11.]]),  
16.  array([[ 12.,  13.,  14.,  15.]]),  
17.  array([], dtype=float64)]  
18.   
19. With a higher dimensional array the split is still along the first axis.  
20. >>>  
21.   
22. >>> x = np.arange(8.0).reshape(2, 2, 2)  
23. >>> x  
24. array([[[ 0.,  1.],  
25.         [ 2.,  3.]],  
26.        [[ 4.,  5.],  
27.         [ 6.,  7.]]])  
28. >>> np.vsplit(x, 2)  
29. [array([[[ 0.,  1.],  
30.         [ 2.,  3.]]]),  
31.  array([[[ 4.,  5.],  
32.         [ 6.,  7.]]])]