Numpy中的concatenate, stack, tile的区别以及axis的本质理解

本篇详细解析了np.concatenate()， np.stack(), np.tile()的区别，以及axis的本质

多个array堆叠采用np.concatenate([arr1,arr2…], axis=k)

• 其中输入的array采用最简单的list容器放置即可
• 其中axis代表维度方向，默认的axis维度是跟shape的维度(r, c)顺序一致的，也就是说axis=0代表的是第0个维度也就是row方向，axis=1代表的是第1个维度也就是col方向，更高维的情况也类似，只需要基于shape的结果进行理解即可。
• 函数concatenate()堆叠数组后不会改变维度，只是同维度上堆叠

import numpy as np
a = np.array([[1,2,3],[3,4,5]]) # 输入二维(2,3)
np.concatenate([a, a], 0)   # axis=0代表沿着row变化的方向堆叠，得到(4,3)
np.concatenate([a, a], 1)   # axis=1代表沿着col变化的方向堆叠，得到(2,6)

注意：由于np.concatenate()在堆叠时不会改变数组维度，也就是只能在该数组已有的维度上堆叠，不能在数组已有维度更高的维度堆叠。因此如果传入的是一维数组，则只能堆叠出一维数组。比如传入list包含的数组是[(m,), (n,)]，则得到的也是一维的(m+n, )，即axis=0进行堆叠，不能进行axis=1堆叠，因为这种一维数组根本没有axis=1的维度。

import numpy as