Python中numpy.stack()函数最形象易懂的理解

最近用到了numpy.stack()函数，看了一下官方文档还有几篇博客感觉写的都很晦涩，而且程序举例不够明确，容易让人理解产生歧义，所以给大家分享一下我的理解，如有错误之处，恳请大家指正。

numpy.stack()

stack英文之意即为堆叠，故该函数的作用就是实现输入数个数组不同方式的堆叠，返回堆叠后的1个数组。

参数	描述
入口参数1	arrays，用来作为堆叠的数个形状维度相等的数组。
入口参数2	axis，即指定依照哪个维度进行堆叠，也就是指定哪种方式进行堆叠数组。
输出	堆叠后的1个数组

程序举例

首先定义4个2行3列的数组，这里为什么定义4个以及为什么所有的数组里的数据都不同，我想从下面的实验中你会找到答案。

import numpy
a=numpy.arange(1, 7).reshape((2, 3))
b=numpy.arange(7, 13).reshape((2, 3))
c=numpy.arange(13, 19).reshape((2, 3))
d=numpy.arange(19, 25).reshape((2, 3))

这四个用于堆叠的数组如下所示：

[[1 2 3]           
 [4 5 6]]
 
[[ 7  8  9]
 [10 11 12]]
 
[[13 14 15]
 [16 17 18]]
 
[[19 20 21]
 [22 23 24]]

接下来进行不同方式也就是不同维度的堆叠实验。

axis=0

print(numpy.stack([a, b,c,d], axis=0))
print(numpy.stack([a, b,c,d], axis=0).shape)

输出结果：

[[[ 1  2  3]             
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]

 [[13 14 15]
  [16 17 18]]

 [[19 20 21]
  [22 23 24]]]
  
(4, 2, 3)

形象理解：axis等于几就说明在哪个维度上进行堆叠。当axis=0的时候，意味着整体，也就是一个2行3列的数组。所以对于0维堆叠，相当于简单的物理罗列，比如这四个数组代表的是4张图像的数据，进行0维堆叠也就是把它们按顺序排放了起来，形成了一个(4,2,3)的3维数组。

axis=1

print(numpy.stack([a, b,c,d], axis=1))
print(numpy.stack([a, b,c,d], axis=1).shape)

输出结果：

[[[ 1  2  3]
  [ 7  8  9]
  [13 14 15]
  [19 20 21]]

 [[ 4  5  6]
  [10 11 12]
  [16 17 18]
  [22 23 24]]]
  
(2, 4, 3)

形象理解：axis等于几就说明在哪个维度上进行堆叠。当axis=1的时候，意味着第一个维度，也就是数组的每一行。所以对于1维堆叠，4个2行3列的数组，各自拿出自己的第一行数据进行堆叠形成3维数组的第一“行”，各自拿出自己的第二行数据进行堆叠形成3维数组的第二“行”，从而形成了一个(2,4,3)的3维数组。比如这四个数组分别代表的是对同一张图像进行不同处理后的数据，进行1维堆叠可以将这些不同处理方式的数据有条理的堆叠形成一个数组，方便后续的统一处理。

axis=2

print(numpy.stack([a, b,c,d], axis=2))
print(numpy.stack([a, b,c,d], axis=2).shape)

输出结果：

[[[ 1  7 13 19]
  [ 2  8 14 20]
  [ 3  9 15 21]]

 [[ 4 10 16 22]
  [ 5 11 17 23]
  [ 6 12 18 24]]]
  
(2, 3, 4)

形象理解：axis等于几就说明在哪个维度上进行堆叠。当axis=2的时候，意味着第二个维度，也就是数组的每一行中的更深一层的维度。对于本例的2维数组来说就到了单个的数据。注意：千万不要理解成2维堆叠是对每一列拿出来进行堆叠！试想如果进行列堆叠，跟1维堆叠又有什么区别呢？不就是个转置的事嘛~所以希望大家对于维度有个更深刻的认识，我觉得维度的概念就是逐层深入的。比如我们这里谈到的整体、行、单个数据。所以对于2维堆叠，4个2行3列的数组，各自拿出自己每个数据，在对应的位置，进行堆叠。从而形成了一个(2,3,4)的3维数组。假如我们的4个数组分别代表的是一个图像的R、G、B数据（这儿有点不恰当，因为其实该是3个数组，但是我觉得这个例子会更形象，所以大家就不要在意这点细节啦），那我们进行2维堆叠后，不就形成了一个图像的RGB三通道的数组了嘛。

与numpy.concatenate()函数的区别

• concatenate()函数用于实现数组的拼接，stack()会增加数组的维度，而concatenate()不会增加数组的维度。
• 举例说明：比如我们有4个shape为(2,3)的数组，这4个数组代表着4个不同的图像数据，在使用stack(axis=0)函数后，shape变为了(4,2,3)，可以看出增加了一个维度，而增加的这个维度表征着不同的图像；在使用concatenate(axis=0)函数后，其shape变为了(8,3)，可以看出维度并没有变化，相当于我们把这四张图片，在行维度上拼接起来，即维度不变，而是对维度内的内容进行充实，所以原来4张2行3列的图像，合成为了一张8行3列的图像。

总结

通过代码举例、以及我所提到的实践中的应用，不知道大家有没有get到我的理解。总结来说，在你大脑中对于数组以及维度的概念进行抽象，我想还是很简单哒。希望这篇博文可以帮助到大家~