NumPy數(shù)組是一個多維數(shù)組對象，稱為ndarray。其由兩部分組成：
·實(shí)際的數(shù)據(jù)
·描述這些數(shù)據(jù)的元數(shù)據(jù)
大部分操作僅針對于元數(shù)據(jù)，而不改變底層實(shí)際的數(shù)據(jù)。
關(guān)于NumPy數(shù)組有幾點(diǎn)必需了解的：
·NumPy數(shù)組的下標(biāo)從0開始。
·同一個NumPy數(shù)組中所有元素的類型必須是相同的。
NumPy數(shù)組屬性
在詳細(xì)介紹NumPy數(shù)組之前。先詳細(xì)介紹下NumPy數(shù)組的基本屬性。NumPy數(shù)組的維數(shù)稱為秩（rank），一維數(shù)組的秩為1，二維數(shù)組的秩為2，以此類推。在NumPy中，每一個線性的數(shù)組稱為是一個軸（axes），秩其實(shí)是描述軸的數(shù)量。比如說，二維數(shù)組相當(dāng)于是兩個一維數(shù)組，其中第一個一維數(shù)組中每個元素又是一個一維數(shù)組。所以一維數(shù)組就是NumPy中的軸（axes），第一個軸相當(dāng)于是底層數(shù)組，第二個軸是底層數(shù)組里的數(shù)組。而軸的數(shù)量——秩，就是數(shù)組的維數(shù)。
NumPy的數(shù)組中比較重要ndarray對象屬性有：
1.ndarray.ndim：數(shù)組的維數(shù)（即數(shù)組軸的個數(shù)），等于秩。最常見的為二維數(shù)組（矩陣）。
2.ndarray.shape：數(shù)組的維度。為一個表示數(shù)組在每個維度上大小的整數(shù)元組。例如二維數(shù)組中，表示數(shù)組的“行數(shù)”和“列數(shù)”。ndarray.shape返回一個元組，這個元組的長度就是維度的數(shù)目，即ndim屬性。
3.ndarray.size：數(shù)組元素的總個數(shù)，等于shape屬性中元組元素的乘積。
4.ndarray.dtype：表示數(shù)組中元素類型的對象，可使用標(biāo)準(zhǔn)的Python類型創(chuàng)建或指定dtype。另外也可使用前一篇文章中介紹的NumPy提供的數(shù)據(jù)類型。
5.ndarray.itemsize：數(shù)組中每個元素的字節(jié)大小。例如，一個元素類型為float64的數(shù)組itemsiz屬性值為8(float64占用64個bits，每個字節(jié)長度為8，所以64/8，占用8個字節(jié)），又如，一個元素類型為complex32的數(shù)組item屬性為4（32/8）。
6.ndarray.data：包含實(shí)際數(shù)組元素的緩沖區(qū)，由于一般通過數(shù)組的索引獲取元素，所以通常不需要使用這個屬性。
數(shù)組拼接方法一
思路：首先將數(shù)組轉(zhuǎn)成列表，然后利用列表的拼接函數(shù)append()、extend()等進(jìn)行拼接處理，最后將列表轉(zhuǎn)成數(shù)組。
示例1：
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> a=np.array([1,2,5])>>> b=np.array([10,12,15])>>> a_list=list(a)>>> b_list=list(b)>>> a_list.extend(b_list)>>> a_list[1, 2, 5, 10, 12, 15]>>> a=np.array(a_list)>>> aarray([ 1, 2, 5, 10, 12, 15]) |
該方法只適用于簡單的一維數(shù)組拼接，由于轉(zhuǎn)換過程很耗時間，對于大量數(shù)據(jù)的拼接一般不建議使用。
數(shù)組拼接方法二
思路：numpy提供了numpy.append(arr,values,axis=None)函數(shù)。對于參數(shù)規(guī)定，要么一個數(shù)組和一個數(shù)值；要么兩個數(shù)組，不能三個及以上數(shù)組直接append拼接。append函數(shù)返回的始終是一個一維數(shù)組。
示例2：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
>>> a=np.arange(5)>>> aarray([0, 1, 2, 3, 4])>>> np.append(a,10)array([ 0, 1, 2, 3, 4, 10])>>> aarray([0, 1, 2, 3, 4]) >>> b=np.array([11,22,33])>>> barray([11, 22, 33])>>> np.append(a,b)array([ 0, 1, 2, 3, 4, 11, 22, 33]) >>> aarray([[1, 2, 3], [4, 5, 6]])>>> b=np.array([[7,8,9],[10,11,12]])>>> barray([[ 7, 8, 9], [10, 11, 12]])>>> np.append(a,b)array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]) |
numpy的數(shù)組沒有動態(tài)改變大小的功能，numpy.append()函數(shù)每次都會重新分配整個數(shù)組，并把原來的數(shù)組復(fù)制到新數(shù)組中。
數(shù)組拼接方法三
思路：numpy提供了numpy.concatenate((a1,a2,...),axis=0)函數(shù)。能夠一次完成多個數(shù)組的拼接。其中a1,a2,...是數(shù)組類型的參數(shù)
示例3：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
>>> a=np.array([1,2,3])>>> b=np.array([11,22,33])>>> c=np.array([44,55,66])>>> np.concatenate((a,b,c),axis=0) # 默認(rèn)情況下，axis=0可以不寫array([ 1, 2, 3, 11, 22, 33, 44, 55, 66]) #對于一維數(shù)組拼接，axis的值不影響最后的結(jié)果 >>> a=np.array([[1,2,3],[4,5,6]])>>> b=np.array([[11,21,31],[7,8,9]])>>> np.concatenate((a,b),axis=0)array([[ 1, 2, 3], [ 4, 5, 6], [11, 21, 31], [ 7, 8, 9]])>>> np.concatenate((a,b),axis=1) #axis=1表示對應(yīng)行的數(shù)組進(jìn)行拼接array([[ 1, 2, 3, 11, 21, 31], [ 4, 5, 6, 7, 8, 9]]) |
對numpy.append()和numpy.concatenate()兩個函數(shù)的運(yùn)行時間進(jìn)行比較
示例4：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
>>> from time import clock as now>>> a=np.arange(9999)>>> b=np.arange(9999)>>> time1=now()>>> c=np.append(a,b)>>> time2=now()>>> print time2-time128.2316728446>>> a=np.arange(9999)>>> b=np.arange(9999)>>> time1=now()>>> c=np.concatenate((a,b),axis=0)>>> time2=now()>>> print time2-time120.3934997107 |
可知，concatenate()效率更高，適合大規(guī)模的數(shù)據(jù)拼接
總結(jié)
以上就是本文關(guān)于numpy數(shù)組拼接簡單示例的全部內(nèi)容，希望對大家有所幫助。如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！
原文鏈接：http://blog.csdn.net/zyl1042635242/article/details/43162031
