concatenate用于堆叠矩阵,在只有一个输入矩阵时如np.concatenate(a,axis=0)#a为(2,3),按照axis制定的维度堆叠,此时指定的维度会消失,堆叠到下一个维度上,即上面的例子的结果是只有一维的6个元素,输入多个矩阵时则按照axis直接在相应的维度堆叠,不减少也不增加维度。
append会增加第0维,后面的维度往后推,如(2,3)的矩阵append后变成(1,2,3),再堆叠就变成(2,2,3).。。。append可以接受开始为[]的变量然后堆叠,比如:
a=[];a.append(b)#b为2行3列有值的矩阵,此时a等于b,但是多一个维度,及(1,2,3)的维度
row_stack 和r_一样
column_stack 和c_一样
vstack 相当于concatenate取axis=0,,也相当于row_stack 和r_(还没有发现不一样的情况)
hstack 相当于concatenate取axis=1,,也相当于column_stack 和c_(但是注意,hstack和后面说的这两个并不完全一样,具体为什么我不知道)
dstack 相当于concatenate取axis=2
综上:要循环添加元素最好使用append然后concatenate起来(axis=0)
或者使用zeros(0,3)等方法先建立空数据,但是保证要堆叠的维度一样长,比如这里的列是3,即为堆叠的维度,行为0,即为要增加的数据再行上面。然后再直接使用concatenate循环来堆叠元素
但是使用append方式对于深度学习读取大量数据的时候会很慢,因为每次都会把之前的数组复制给一个新的数组,在后期该数组很大的情况时速度明显会减慢很多,所以对于深度学习里面最好不用append,这里想法是先给定数组大小,庵后往里面填数据就可以了。