Nump.concatenate()函数整合问题

c=np.concatenate((a, b), axis=axis)

这个函数用于将多个数组进行连接，这与stack函数很容易混淆，他们之间的区别是concatenate会与当前要匹配的元素的维度保持不变。stack则会在两个基础上增加一个维度。举个例子：

axis=0

a = np.arange(8).reshape(2,2,2)

b = np.arange(8).reshape(2,2,2)

c=np.concatenate((a, b), axis=axis)#维度不变，在0轴下合并，a,b依旧是在第3位下的list，

d=np.stack((a, b), axis=axis)#维度增加成4维，a，b分别称为第4维下的一个list

print(c)

print(c.shape)

print(d)

print(d.shape)

输出C

[[[0 1]

  [2 3]]

 [[4 5]

  [6 7]]

 [[0 1]

  [2 3]]

 [[4 5]

  [6 7]]]

C：(4, 2, 2)#axis=0,在第一个[ ]下增加了两组list变成4

d:

[[[[0 1]

   [2 3]]

  [[4 5]

   [6 7]]]#区别在这里增加维度

 [[[0 1]

   [2 3]]

  [[4 5]

   [6 7]]]]

(2, 2, 2, 2)

由此可推：

当axis=1时，c.shape为（2,4,2），整合后C维度不变，但是在第二维下合并增加为4个list，行数增加，d.shape为（2,2,2,2）

[[[0 1]

  [2 3]

  [0 1]

  [2 3]]

 [[4 5]

  [6 7]

  [4 5]

  [6 7]]]

(2, 4, 2)

当axis=2时，c.shape为（2,2,4）。整合后C维度不变，在第三维度最低维度合并，列数增加。d.shape为（2,2,2,2）

C：

[[[0 1 0 1]

  [2 3 2 3]]

 [[4 5 4 5]

  [6 7 6 7]]]

(2, 2, 4)

另外一个区别是，stark能够对最低维度的元素进行匹配，而concatenate是不行的，因为最低维度已经不能再降维了，因此这里stark的axis可以等于3，而concatenate不行。