python numpy stack

从matlab 转到python numpy还是适应的不舒服，就矩阵这块计算，代码真没matlab优美简洁。当然两者定位是不一样的。

对于numpy array  其实不存在像matlab 那样的行向量，列向量，这点体现在计算上的调用有点不一样。我尝试从嵌套层数理解array.  重点理解 ndim,shape,size属性.

ndim指明了几层[]嵌套,shape是每层上的元素个数,size是 单个元素总个数。

---

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
c = np.array([3, 4, 5])
a.shape #(3,)
b.shape # (3,)
print( np.stack((a, b), axis=0).shape )   # (2, 3)
print( np.stack((a, b), axis=0) ) 
# 把a,b这两个整体分散在第0层,第0层第0个就是a,第0层第1个就是b
#[a,b]

print( np.stack((a, b), axis=1).shape )# (3, 2)
print( np.stack((a, b), axis=1) )  
#把a拆开最外层[],每个元素分散在第1层上[ [a[0],b[0]],[a[1],b[1]],[a[2],b[2]]     ]


print( np.stack((a, b, c), axis=0).shape )   # (2, 3)
print( np.stack((a, b, c), axis=0) ) 
#[a,b,c]
print( np.stack((a, b, c), axis=1).shape )# (3, 2)
print( np.stack((a, b, c), axis=1) )
#[[a[],b[],c[]]  [a[],b[],c[]]   [a[],b[],c[]]]

a = np.array([[1, 2, 3], [0.1, 0.2, 0.3], [10, 20, 30]])
b = np.array([[4, 5, 6], [0.4, 0.5, 0.6], [40, 50, 60]])

print( np.stack((a, b), axis=0).shape )#(2, 3, 3)
print( np.stack((a, b), axis=0) )
# [ [[ 1.   2.   3. ]
#    [ 0.1  0.2  0.3]
#    [10.  20.  30. ]] ----a
#   b  ]   -----b
print( np.stack((a, b), axis=1).shape )#(3, 2, 3)
print( np.stack((a, b), axis=1) )
#把a拆开一层,即内一层元素[1 2 3],[0.1, 0.2, 0.3],[10, 20, 30]分布在第1层上 
# [  [[ 1.   2.   3. ]]    ---------  a[0]
#    [[ 0.1  0.2  0.3]]   ---------  a[1] 
#    [[10.  20.  30. ]]   ----------- a[2]
#]

print( np.stack((a, b), axis=2).shape )#(3, 3, 2)
print( np.stack((a, b), axis=2) )
# a ndim为1 ,这里axis = 2,直接在单个元素上加[]
# 那么
# a 
# [   [ [1]    [2]   [3]] 
#     [ [0.1] [0.2] [0.3]]
#     [ [10.] [20.] [30.]]
#  ]
#总结一句话就是在哪层元素（axis上指明）加[]（这会使结果的ndim在a的基础上加1）,
#在哪层上加[]就把a,b相应的层元素组合，这层的元素个数就加1
#这样的解释仿佛对矩阵来说不直观，但是目前为止我根本不想用矩阵来理解numpy.