【CSDN软件工程师能力认证学习精选】python 张量运算——拼接、叠加（stack,vstack,hstack,dstack,concatenate）

CSDN软件工程师能力认证（以下简称C系列认证）是由中国软件开发者网CSDN制定并推出的一个能力认证标准。C系列认证历经近一年的实际线下调研、考察、迭代、测试，并梳理出软件工程师开发过程中所需的各项技术技能，结合企业招聘需求和人才应聘痛点，基于公开、透明、公正的原则，甑别人才时确保真实业务场景、全部上机实操、所有过程留痕、存档不可篡改。

我们每天将都会精选CSDN站内技术文章供大家学习，帮助大家系统化学习IT技术。

np.stack
首先stack函数用于堆叠数组，其调用方式如下所示：

np.stack(arrays,axis=0)

其中arrays即需要进行堆叠的数组，axis是堆叠时使用的轴，比如：

arrays = [[1,2,3,4], [5,6,7,8]]

这是一个二维数组，axis=0表示的是第一维，也即是arrays[0] = [1,2,3,4]或者arrays[1] = [5,6,7,8]

axis=i时，代表在堆叠时首先选取第i维进行“打包”

具体例子：

当执行np.stack(arrays, axis=0)时，取出第一维的1、2、3、4，打包，[1, 2, 3, 4]，其余的类似，然后结果如下：

>>> arrays = [[1,2,3,4], [5,6,7,8]]
>>> arrays=np.array(arrays)
>>> np.stack(arrays,axis=0)
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])
当执行np.stack(arrays, axis=1)时，先对arrays中的第二维进行“打包”，也即是将1、5打包成[1, 5]，其余的类似，结果如下：

>>> np.stack(arrays, axis=1)
array([[1, 5],
       [2, 6],
       [3, 7],
       [4, 8]])

有这个“打包”的概念后，对于三维的数组堆叠也不难理解了，例如:

a = np.array([[1,2,3,4], [5,6,7,8]])

arrays = np.asarray([a, a , a])

>>> arrays
array([[[1, 2, 3, 4],
        [5, 6, 7, 8]],
 
       [[1, 2, 3, 4],
        [5, 6, 7, 8]],
 
       [[1, 2, 3, 4],
        [5, 6, 7, 8]]])
执行np.stack(arrays, axis=0)，也就是对第一维进行打包，结果如下：

>>> np.stack(arrays, axis=0)
array([[[1, 2, 3, 4],
        [5, 6, 7, 8]],
 
       [[1, 2, 3, 4],
        [5, 6, 7, 8]],
 
       [[1, 2, 3, 4],
        [5, 6, 7, 8]]])
执行np.stack(arrays, axis=1)，也就是对第二维进行打包，取出第二维的元素[1,2,3,4]、[1,2,3,4]、[1,2,3,4]，打包，[[1,2,3,4],[1,2,3,4],[1,2,3,4]]，对其余的也做类似处理，结果如下：

>>> np.stack(arrays, axis=1)
array([[[1, 2, 3, 4],
        [1, 2, 3, 4],
        [1, 2, 3, 4]],
 
       [[5, 6, 7, 8],
        [5, 6, 7, 8],
        [5, 6, 7, 8]]])
执行np.stack(arrays, axis=2),与之前类似，取出第三维元素1、1、1，打包[1,1,1],结果如下：

>>> np.stack(arrays, axis=2)
array([[[1, 1, 1],
        [2, 2, 2],
        [3, 3, 3],
        [4, 4, 4]],
 
       [[5, 5, 5],
        [6, 6, 6],
        [7, 7, 7],
        [8, 8, 8]]])

总结而言，也就是arrays是你要进行堆叠的数组，axis控制你要将arrays中哪个维度组合起来（也就是文中的“打包”）。

np.concatenate
np.concatenate((a1,a2,a3,...), axis=0)，这个函数就是按照特定方向轴进行拼接，默认是第一维，在numpy官网上的示例如下：

>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
       [3, 4, 6]])
当axis=0时，将b的元素加到a的尾部，这里比较难以理解的是第二个np.concatenate((a, b.T), axis=1)，其实也类似，b.T的shape为（1，2）,axis=1,则在a的第二维加上b的每个元素，所以这里axis=i时, 输入参数（a1,a2,a3...）除了第i维，其余维度的shape应该一致，例如：

>>> a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])
>>> b = np.array([[[1,2,3],[4,5,6]]])
>>> np.concatenate((a, b), axis=0)
array([[[1, 2, 3],
        [4, 5, 6]],
 
       [[1, 2, 3],
        [4, 5, 6]],
 
       [[1, 2, 3],
        [4, 5, 6]]])
这里a的shape为（2，2，3），b的shape为（1，2，3），axis=0则要求a,b在其他两维的形状是一致的，如果直接在其他维度进行concatenate操作则会报错（因为axis=1时，a和b在第一维的长度不一致）：

>>> np.concatenate((a, b), axis=1)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: all the input array dimensions except for the concatenation axis must match exactly
>>> np.concatenate((a, b), axis=2)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: all the input array dimensions except for the concatenation axis must match exactly
下面一个例子能够说明：

>>> c=np.array([[[5,6,7],[7,8,9]],[[4,5,6],[5,6,7]]])
>>> c
array([[[5, 6, 7],
        [7, 8, 9]],
 
       [[4, 5, 6],
        [5, 6, 7]]])
>>> c.shape
(2, 2, 3)
>>> np.concatenate((a, c), axis=1)
array([[[1, 2, 3],
        [4, 5, 6],
        [5, 6, 7],
        [7, 8, 9]],
 
       [[1, 2, 3],
        [4, 5, 6],
        [4, 5, 6],
        [5, 6, 7]]])
>>> np.concatenate((a, c), axis=2)
array([[[1, 2, 3, 5, 6, 7],
        [4, 5, 6, 7, 8, 9]],
 
       [[1, 2, 3, 4, 5, 6],
        [4, 5, 6, 5, 6, 7]]])

np.hstack
np.hstack(tup),  按照列的方向堆叠， tup可以是元组，列表，或者numpy数组, 其实也就是axis=1,即

np.hstack(tup) = np.concatenate(tup, axis=1)

按照上面对concatenate的理解则下面的示例很好理解

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])

np.vstack
np.vstack(tup),  按照行的方向堆叠， tup可以是元组，列表，或者numpy数组, 理解起来与上相同

np.vstack(tup) = np.concatenate(tup, axis=0)

>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
       [2, 3, 4]])
>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
       [2],
       [3],
       [2],
       [3],
       [4]])
对于第二段代码，a的第一维元素分别时[1],[2],[3]，所以堆叠时将b的对应元素直接加入

np.dstack
np.dstack(tup), 按照第三维方向堆叠，也即是

np.dstack(tup) = np.concatenate(tup, axis=2), 这里较好理解，所以直接放官网的示例

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.dstack((a,b))
array([[[1, 2],
        [2, 3],
        [3, 4]]])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.dstack((a,b))
array([[[1, 2]],
       [[2, 3]],
       [[3, 4]]])

np.column_stack和np.row_stack
np.column_stack函数将一维的数组堆叠为二维数组，方向为列

np.row_stack函数将一维的数组堆叠为二维数组，方向为行

其实如果对前面的内容理解之后这两个算是比较简单的了

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.column_stack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])
>>> np.row_stack([np.array([1, 2, 3]), np.array([4, 5, 6])])
array([[1, 2, 3],
       [4, 5, 6]])

关于CSDN软件工程师能力认证

      CSDN软件工程师能力认证（以下简称C系列认证）是由中国软件开发者网CSDN制定并推出的一个能力认证标准。C系列认证历经近一年的实际线下调研、考察、迭代、测试，并梳理出软件工程师开发过程中所需的各项技术技能，结合企业招聘需求和人才应聘痛点，基于公开、透明、公正的原则，甑别人才时确保真实业务场景、全部上机实操、所有过程留痕、存档不可篡改。C系列认证的宗旨是让一流的技术人才凭真才实学进大厂拿高薪，同时为企业节约大量招聘与培养成本，使命是提升高校大学生的技术能力，为行业提供人才储备，为国家数字化战略贡献力量。

 

了解详情可点击：CSDN软件工程师能力认证介绍

 

本文出处：https://blog.csdn.net/wuguangbin1230/article/details/86568424?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161414563616780265491845%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=161414563616780265491845&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-5-86568424.pc_search_result_before_js&utm_term=python++张量&spm=1018.2226.3001.4187