numpy的各种堆叠方法总结 vstack hstack append concatenate column_stack row_stack c_ r_

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。