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 2+3=5 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 2+2=4 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 3+3=6 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 4+4=8 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,

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
`numpy.concatenate`和`numpy.stack`都可以用于将多个数组合并成一个更大的数组,但它们有一些区别。 `numpy.concatenate`函数用于在现有的轴上连接数组。它需要指定需要连接的数组以及连接的轴。连接的轴是现有的轴,连接后的数组的维数不会增加。例如,如果你有两个二维数组,你可以在它们的行或列上连接它们。 `numpy.stack`函数用于在新轴上堆叠数组。它需要指定需要堆叠的数组以及新轴的位置。新轴的位置可以是0(最前面),1(中间)或-1(最后面)。堆叠后的数组的维数会增加。例如,如果你有两个一维数组,你可以在它们的第0个轴上堆叠它们,得到一个二维数组。 下面是一个简单的示例,演示如何使用`numpy.concatenate`和`numpy.stack`函数: ```python import numpy as np # 创建两个二维数组 a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) # 使用 concatenate 在行上连接两个数组 c = np.concatenate((a, b), axis=0) print(c) # 使用 concatenate 在列上连接两个数组 d = np.concatenate((a, b), axis=1) print(d) # 使用 stack 在新轴上堆叠两个数组 e = np.stack((a, b), axis=0) print(e) ``` 输出结果如下: ``` # 使用 concatenate 在行上连接两个数组 [[1 2] [3 4] [5 6] [7 8]] # 使用 concatenate 在列上连接两个数组 [[1 2 5 6] [3 4 7 8]] # 使用 stack 在新轴上堆叠两个数组 [[[1 2] [3 4]] [[5 6] [7 8]]] ``` 在这个例子中,我们创建了两个二维数组a和b。使用`numpy.concatenate`函数,我们将它们沿着行和列连接起来。使用`numpy.stack`函数,我们将它们沿着新轴堆叠起来。注意,使用`numpy.stack`函数,我们得到了一个三维数组。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值