numpy中的stack,vstack与hstack新解

numpy中的stack,vstack与hstack新解

查了一下，发现网上好多人的解释都不对，很多人打算用数组“打包”等过程来解释stack函数操作过程，要么举的例子太简单没有代表性，要么举的例子太复杂，看得人头疼。
其实，没有必要去了解这个函数是怎么操作数组的，按照官方的文档来看，对于这个函数，大家只需要了解两点即可，不必弄得太清楚明白:

1. 这个函数是用来堆叠数组的；
2. 这个函数所返回的数组的形状

第一点不必多言，关于第二点，官方文档给出的答案是：
返回的数组比原来的数组多一维。
但关键的问题是，多的那一维是加到了第几维？假设有S个MN的数组进行堆叠，那堆叠之后的数组到底是是SMN，MSN还是MNS呢？其实呢，这就是参数axis的作用。axis=0，那堆叠后的数组形状是SMN，如果axis=1，堆叠后的形状将是MS*N。依此类推。

关于参数axis的解释，官方文档其实有点难懂，但是它说的的确很准确，它可以用如下例子解释：
比如有10个形状为(4,3)的矩阵

arrays = [np.random.randn(3, 4) for _ in range(10)]

调用stack之后，axis=0，则多出一这一维加在第一维，变成一个(10, 3, 4)的矩阵，堆叠几个数组，新增的维度的长度就是几：

np.stack(arrays, axis=0).shape
#(10, 3, 4)

同样的解释：

 np.stack(arrays, axis=1).shape
 #(3, 10, 4)
 np.stack(arrays, axis=2).shape
 #(3, 4, 10)

最后再解释一下为什么没有必要弄清楚数组堆叠的过程：

• 多维数组，我们更关心它的形状；
• 理解这个堆叠过程需要的思维与人的思维差异太大，换言之，理解这个过程太烧脑，太费时，无益

vstack与hstack

这两个函数可以看成数组拼接。

vstack沿竖直方向拼接：

vstack(a, b) = \begin{bmatrix}
   a \\
   b
  \end{bmatrix} 

例如：

a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.vstack((a,b))
#array([[1],       [2],       [3],       [2],       [3],       [4]])

hstack沿竖直方向拼接：

hstack(a, b) = \begin{bmatrix}
   a &
   b
  \end{bmatrix} 

例如：

a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.vstack((a,b))
# array([[1, 2],       [2, 3],       [3, 4]])