numpy的concatenate()、hstack()、vstack()、stack()函数分析

numpy中几个常用的相似函数concatenate()、hstack()、vstack()、stack()用法相似，不容易区分。现在从形状的角度，对这4个函数进行总结。

在总结之前，首先介绍一下维度。例如一个3维数组，形状为（2， 3， 4）的数组

a = np.arange(24).reshape((2, 3, 4))
print(a)

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

另外python中(3，)表示一维数组，（3，1）才表示二维数组

1、np.concatenate()函数

用于数组、数列的连接。对一维数组使用时候。

a = [1, 2, 3]  # shape = (3, )
b = [4, 5]     # shape = (2, )

c = np.concatenate((a, b), axis = 0) 
print ('np.concatenate((a, b), axis = 0)的形状', c.shape)

Output:

np.concatenate((a, b), axis = 0)的形状 (5,)

• 由该结果可以看出，对一维函数使用，使两个数组的形状在唯一的维度上进行了相加$2+3=5$

对于多维数组使用：

a = np.arange(24).reshape((2, 3, 4))          # shape = (2, 3, 4)
b = np.arange(24, 48).reshape((2, 3, 4))      # shape = (2, 3, 4)

c = np.concatenate((a, b), axis = 0)
d = np.concatenate((a, b), axis = 1)
e = np.concatenate((a, b), axis = 2)

print("np.concatenate((a, b), axis = 0)后，结果的形状为" , c.shape)
print("np.concatenate((a, b), axis = 1)后，结果的形状为" , d.shape)
print("np.concatenate((a, b), axis = 2)后，结果的形状为" , e.shape)

Output:

np.concatenate((a, b), axis = 0)后，结果的形状为 (4, 3, 4)
np.concatenate((a, b), axis = 1)后，结果的形状为 (2, 6, 4)
np.concatenate((a, b), axis = 2)后，结果的形状为 (2, 3, 8)

由结果可以看出：

• 当axis=0时，是将a和b的形状，在第1个维度进行相加，第2， 3个维度不变，$2+2=4$
• 当axis=1时，是将a和b的形状，在第2个维度进行相加，第1， 3个维度不变，$3+3=6$
• 当axis=2时，是将a和b的形状，在第3个维度进行相加，第1， 2个维度不变$4+4=8$

重点说一下，数组在连接的维度上的形状可以不同，但是其他维度必须相同。例如：两个形状如（2， 3， 4）和（6， 3， 4）的数组，第1维不同，但是其余维度相同，可以在第1维进行连接，连接后的形状为（8，3，4），测试如下：

## 将a和b在第一个维度进行连接
a = np.arange(24).reshape((2, 3, 4))          # shape = (2, 3, 4)
b = np.arange(24, 96).reshape((6, 3, 4))      # shape = (6, 3, 4)
c = np.concatenate((a, b), axis = 0) 
print ('np.concatenate((a, b), axis = 0)的形状', c.shape)

Output:

np.concatenate((a, b), axis = 0)的形状 (8, 3, 4)

同理axis =1时，对下面的a和b在第2个维度进行连接：

a = np.arange(24).reshape((3, 2, 4))          # shape = (3, 2, 4)
b = np.arange(24, 96).reshape((3, 6, 4))      # shape = (3, 6, 4)
c = np.concatenate((a, b), axis = 1) 
print ('np.concatenate((a, b), axis = 1)的形状', c.shape)

Output:

np.concatenate((a, b), axis = 1)的形状 (3, 8, 4)

同理axis =2时，对下面的a和b在第3个维度进行连接：

a = np.arange(24).reshape((3, 4, 2))          # shape = (3, 4, 2)
b = np.arange(24, 96).reshape((3, 4, 6))      # shape = (3, 4, 6)
c = np.concatenate((a, b), axis = 2) 
print ('np.concatenate((a, b), axis = 2)的形状', c.shape)

Output:

np.concatenate((a, b), axis = 2)的形状 (3, 4, 8)

综上，concatenate的结果，维度不增加，只在axis对应的维度上进行相加

2、np.vstack()

np.vstack()的作用和concatenate()在axis=0时相似，将数组在第2维度进行连接

a = np.arange(24).reshape((2, 3, 2, 2))          # shape = (2, 3, 2, 2)
b = np.arange(24, 48).reshape((2, 3, 2, 2))      # shape = (2, 3, 2, 2)
c = np.vstack((a, b))
print ('np.vstack((a, b))的形状为', c.shape)

Output:

np.vstack((a, b))的形状为 (4, 3, 2, 2)

因为vstack是将数组在第1个维度进行连接，所以第1个维度值可以不同，例如：

a = np.arange(6).reshape(2, 3)   # shape = (2, 3)
b = np.arange(9).reshape(3, 3)   # shape = (3, 3)

c = np.vstack((a, b))
print ('np.vstack((a, b))的形状为', c.shape)

Output:

np.vstack((a, b))的形状为 (5, 3)

3、np.hstack()

np.hstack()的作用和concatenate()在axis=1时相似，将数组在第2维度进行连接

a = np.arange(24).reshape((2, 3, 2, 2))          # shape = (2, 3, 2, 2)
b = np.arange(24, 48).reshape((2, 3, 2, 2))      # shape = (2, 3, 2, 2)
c = np.hstack((a, b))
print ('np.hstack((a, b))的形状为', c.shape)

Output:

np.hstack((a, b))的形状为 (2, 6, 2, 2)

因为hstack是将数组在第s个维度进行连接，所以第2个维度值可以不同，例如：

a = np.arange(6).reshape(2, 3)   # shape = (2, 3)
b = [[1], [2]]                   # shape = (2, 1)

c = np.hstack((a, b))
print ('np.vstack((a, b))的形状为', c.shape)

Output:

np.vstack((a, b))的形状为 (2, 4)

由此可以看出，concatenate()、hstack()、vstack()3个函数对于数组的维度没有改变，运算中的a，b是3维数组，运算后仍然是3维数组。这与下面的np.stack()不同

4、np.stack()

np.stack()有堆叠的意思，即将两个元素堆叠在一起，然后在外面打包，打包过程要求1对1，所以传入的元素要求shape完全一样，不然会报错。

a = np.arange(27).reshape((3,3,3))    # shape = (3,3,3)
b = a+1                               # shape = (3,3,3)

c = np.stack((a, b), axis = 0)        # (2, 3, 3, 3)
d = np.stack((a, b), axis = 1)        # (3, 2, 3, 3)
e = np.stack((a, b), axis = 2)        # (3, 3, 2, 3)
f = np.stack((a, b), axis = 3)        # (3, 3, 3, 2)

print ('axis = 0时的形状为', c.shape)
print ('axis = 1时的形状为', d.shape)
print ('axis = 2时的形状为', e.shape)
print ('axis = 3时的形状为', f.shape)

Output:

axis = 0时的形状为 (2, 3, 3, 3)
axis = 1时的形状为 (3, 2, 3, 3)
axis = 2时的形状为 (3, 3, 2, 3)
axis = 3时的形状为 (3, 3, 3, 2)

由此可以看出，stack之后，维度由3维变为了4维，增加的维度由axis指定。

本文只是在维度的角度对numpy的concatenate()、hstack()、vstack()、stack()函数进行了分析，