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。