np.stack

在python的numpy库中有一个函数np.stack(), 看过一些博文后觉得别人写的太复杂，然后自己有了一些理解之后做了一些比较简单的解释

 

np.stack

首先stack函数用于堆叠数组，其调用方式如下所示：

np.stack(arrays,axis=0)

 

其中arrays即需要进行堆叠的数组，axis是堆叠时使用的轴，比如：

arrays = [[1,2,3,4], [5,6,7,8]]

这是一个二维数组，axis=0表示的是第一维，也即是arrays[0] = [1,2,3,4]或者arrays[1] = [5,6,7,8]

axis=i时，代表在堆叠时首先选取第i维进行“打包”

 

具体例子：

当执行np.stack(arrays, axis=0)时，取出第一维的1、2、3、4，打包，[1, 2, 3, 4]，其余的类似，然后结果如下：

1. >>> arrays = [[1,2,3,4], [5,6,7,8]]

2. >>> arrays=np.array(arrays)

3. >>> np.stack(arrays,axis=0)

4. array([[1, 2, 3, 4],

5. [5, 6, 7, 8]])

当执行np.stack(arrays, axis=1)时，先对arrays中的第二维进行“打包”，也即是将1、5打包成[1, 5]，其余的类似，结果如下：

1. >>> np.stack(arrays, axis=1)

2. array([[1, 5],

3. [2, 6],

4. [3, 7],

5. [4, 8]])

 

有这个“打包”的概念后，对于三维的数组堆叠也不难理解了，例如:

a = np.array([[1,2,3,4], [5,6,7,8]])

arrays = np.asarray([a, a , a])

1. >>> arrays

2. array([[[1, 2, 3, 4],

3. [5, 6, 7, 8]],

4.  

5. [[1, 2, 3, 4],

6. [5, 6, 7, 8]],

7.  

8. [[1, 2, 3, 4],

9. [5, 6, 7, 8]]])

执行np.stack(arrays, axis=0)，也就是对第一维进行打包，结果如下：

1. >>> np.stack(arrays, axis=0)

2. array([[[1, 2, 3, 4],

3. [5, 6, 7, 8]],

4.  

5. [[1, 2, 3, 4],

6. [5, 6, 7, 8]],

7.  

8. [[1, 2, 3, 4],

9. [5, 6, 7, 8]]])

执行np.stack(arrays, axis=1)，也就是对第二维进行打包，取出第二维的元素[1,2,3,4]、[1,2,3,4]、[1,2,3,4]，打包，[[1,2,3,4],[1,2,3,4],[1,2,3,4]]，对其余的也做类似处理，结果如下：

1. >>> np.stack(arrays, axis=1)

2. array([[[1, 2, 3, 4],

3. [1, 2, 3, 4],

4. [1, 2, 3, 4]],

5.  

6. [[5, 6, 7, 8],

7. [5, 6, 7, 8],

8. [5, 6, 7, 8]]])

执行np.stack(arrays, axis=2),与之前类似，取出第三维元素1、1、1，打包[1,1,1],结果如下：

1. >>> np.stack(arrays, axis=2)

2. array([[[1, 1, 1],

3. [2, 2, 2],

4. [3, 3, 3],

5. [4, 4, 4]],

6.  

7. [[5, 5, 5],

8. [6, 6, 6],

9. [7, 7, 7],

10. [8, 8, 8]]])

 

总结而言，也就是arrays是你要进行堆叠的数组，axis控制你要将arrays中哪个维度组合起来（也就是文中的“打包”）。

 

np.concatenate

 

np.concatenate((a1,a2,a3,...), axis=0)，这个函数就是按照特定方向轴进行拼接，默认是第一维，在numpy官网上的示例如下：

1. >>> a = np.array([[1, 2], [3, 4]])

2. >>> b = np.array([[5, 6]])

3. >>> np.concatenate((a, b), axis=0)

4. array([[1, 2],

5. [3, 4],

6. [5, 6]])

7. >>> np.concatenate((a, b.T), axis=1)

8. array([[1, 2, 5],

9. [3, 4, 6]])

当axis=0时，将b的元素加到a的尾部，这里比较难以理解的是第二个np.concatenate((a, b.T), axis=1)，其实也类似，b.T的shape为（1，2）,axis=1,则在a的第二维加上b的每个元素，所以这里axis=i时, 输入参数（a1,a2,a3...）除了第i维，其余维度的shape应该一致，例如：

1. >>> a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])

2. >>> b = np.array([[[1,2,3],[4,5,6]]])

3. >>> np.concatenate((a, b), axis=0)

4. array([[[1, 2, 3],

5. [4, 5, 6]],

6.  

7. [[1, 2, 3],

8. [4, 5, 6]],

9.  

10. [[1, 2, 3],

11. [4, 5, 6]]])

这里a的shape为（2，2，3），b的shape为（1，2，3），axis=0则要求a,b在其他两维的形状是一致的，如果直接在其他维度进行concatenate操作则会报错（因为axis=1时，a和b在第一维的长度不一致）：

1. >>> np.concatenate((a, b), axis=1)

2. Traceback (most recent call last):

3. File "<stdin>", line 1, in <module>

4. ValueError: all the input array dimensions except for the concatenation axis must match exactly

5. >>> np.concatenate((a, b), axis=2)

6. Traceback (most recent call last):

7. File "<stdin>", line 1, in <module>

8. ValueError: all the input array dimensions except for the concatenation axis must match exactly

下面一个例子能够说明：

1. >>> c=np.array([[[5,6,7],[7,8,9]],[[4,5,6],[5,6,7]]])

2. >>> c

3. array([[[5, 6, 7],

4. [7, 8, 9]],

5.  

6. [[4, 5, 6],

7. [5, 6, 7]]])

8. >>> c.shape

9. (2, 2, 3)

10. >>> np.concatenate((a, c), axis=1)

11. array([[[1, 2, 3],

12. [4, 5, 6],

13. [5, 6, 7],

14. [7, 8, 9]],

15.  

16. [[1, 2, 3],

17. [4, 5, 6],

18. [4, 5, 6],

19. [5, 6, 7]]])

20. >>> np.concatenate((a, c), axis=2)

21. array([[[1, 2, 3, 5, 6, 7],

22. [4, 5, 6, 7, 8, 9]],

23.  

24. [[1, 2, 3, 4, 5, 6],

25. [4, 5, 6, 5, 6, 7]]])

 

 

np.hstack

np.hstack(tup),  按照列的方向堆叠， tup可以是元组，列表，或者numpy数组, 其实也就是axis=1,即

np.hstack(tup) = np.concatenate(tup, axis=1)

按照上面对concatenate的理解则下面的示例很好理解

1. >>> a = np.array((1,2,3))

2. >>> b = np.array((2,3,4))

3. >>> np.hstack((a,b))

4. array([1, 2, 3, 2, 3, 4])

5. >>> a = np.array([[1],[2],[3]])

6. >>> b = np.array([[2],[3],[4]])

7. >>> np.hstack((a,b))

8. array([[1, 2],

9. [2, 3],

10. [3, 4]])

 

np.vstack

np.vstack(tup),  按照行的方向堆叠， tup可以是元组，列表，或者numpy数组, 理解起来与上相同

np.vstack(tup) = np.concatenate(tup, axis=0)

1. >>> a = np.array([1, 2, 3])

2. >>> b = np.array([2, 3, 4])

3. >>> np.vstack((a,b))

4. array([[1, 2, 3],

5. [2, 3, 4]])

1. >>> a = np.array([[1], [2], [3]])

2. >>> b = np.array([[2], [3], [4]])

3. >>> np.vstack((a,b))

4. array([[1],

5. [2],

6. [3],

7. [2],

8. [3],

9. [4]])

对于第二段代码，a的第一维元素分别时[1],[2],[3]，所以堆叠时将b的对应元素直接加入
 

 

np.dstack

np.dstack(tup), 按照第三维方向堆叠，也即是

np.dstack(tup) = np.concatenate(tup, axis=2), 这里较好理解，所以直接放官网的示例

1. >>> a = np.array((1,2,3))

2. >>> b = np.array((2,3,4))

3. >>> np.dstack((a,b))

4. array([[[1, 2],

5. [2, 3],

6. [3, 4]]])

1. >>> a = np.array([[1],[2],[3]])

2. >>> b = np.array([[2],[3],[4]])

3. >>> np.dstack((a,b))

4. array([[[1, 2]],

5. [[2, 3]],

6. [[3, 4]]])

 

np.column_stack和np.row_stack

np.column_stack函数将一维的数组堆叠为二维数组，方向为列

np.row_stack函数将一维的数组堆叠为二维数组，方向为行

其实如果对前面的内容理解之后这两个算是比较简单的了

1. >>> a = np.array((1,2,3))

2. >>> b = np.array((2,3,4))

3. >>> np.column_stack((a,b))

4. array([[1, 2],

5. [2, 3],

6. [3, 4]])

1. >>> np.row_stack([np.array([1, 2, 3]), np.array([4, 5, 6])])

2. array([[1, 2, 3],

3. [4, 5, 6]])

 

总结

其实也就是两种操作，stack和concatenate，其中stack是首先找到axis轴的元素，然后对该轴的元素进行组合，然后形成新的数组，而concatenate则是在axis轴进行拓展，将a1,a2,a3...按照axis指定的轴进行增加操作...