Numpy中提供了concatenate,append, stack類(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等類和函數用于數組拼接的操作。
各種函數的特點和區別如下標：
| concatenate | 提供了axis參數，用于指定拼接方向 |
|---|---|
| append | 默認先ravel再拼接成一維數組，也可指定axis |
| stack | 提供了axis參數，用于生成新的維度 |
| hstack | 水平拼接，沿著行的方向，對列進行拼接 |
| vstack | 垂直拼接，沿著列的方向，對行進行拼接 |
| dstack | 沿著第三個軸（深度方向）進行拼接 |
| column_stack | 水平拼接，沿著行的方向，對列進行拼接 |
| row_stack | 垂直拼接，沿著列的方向，對行進行拼接 |
| r_ | 垂直拼接，沿著列的方向，對行進行拼接 |
| c_ | 水平拼接，沿著行的方向，對列進行拼接 |
0. 維度和軸
在正確理解Numpy中的數組拼接、合并操作之前，有必要認識下維度和軸的概念：
ndarray(多維數組)是Numpy處理的數據類型。多維數組的維度即為對應數據所在的空間維度，1維可以理解為直線空間，2維可以理解為平面空間，3維可以理解為立方體空間。
軸是用來對多維數組所在空間進行定義、描述的一組正交化的直線，根據數學慣例可以用
在一維空間中，用一個軸就可以表示清楚，numpy中規定為axis 0，空間內的數可以理解為直線空間上的離散點 (x
在二維空間中，需要用兩個軸表示，numpy中規定為axis 0和axis 1，空間內的數可以理解為平面空間上的離散點（x
在三維空間中，需要用三個軸才能表示清楚，在二維空間的基礎上numpy中又增加了axis 2，空間內的數可以理解為立方體空間上的離散點（x
Python中可以用numpy中的ndim和shape來分別查看維度，以及在對應維度上的長度。直觀上可以根據符號“[ ]”的層數來判斷，有m層即為m維，最外面1層對應axis0， 依次為axis1，axis2…
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
>>> a = np.array([1,2,3])>>> a.ndim # 一維數組1>>> a.shape # 在這個維度上的長度為3(3,)>>> b = np.array([[1,2,3], [4,5,6]])>>> b.ndim # 二維數組2>>> b.shape # 在axis 0 上的長度為2， 在axis 1上的長度為3.或者可以感性的理解為2行3列(2, 3)>>> c = np.array([[[1,2,3], [4,5,6]]])>>> c.ndim # 三維數組3>>> c.shape # 在axis 0 上的長度為1，在axis 1上的長度為2, 在axis 2上的長度為3. 或者可以感性的理解為1層2行3列(1, 2, 3) |
1. np.concatenate()
|
1
2
3
4
5
6
|
concatenate(a_tuple, axis=0, out=None)"""參數說明：a_tuple:對需要合并的數組用元組的形式給出axis: 沿指定的軸進行拼接，默認0，即第一個軸""" |
示例
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
>>> import numpy as np>>> ar1 = np.array([[1,2,3], [4,5,6]])>>> ar2 = np.array([[7,8,9], [11,12,13]])>>> ar1array([[1, 2, 3], [4, 5, 6]])>>> ar2array([[ 7, 8, 9], [11, 12, 13]])>>> np.concatenate((ar1, ar2)) # 這里的第一軸(axis 0)是行方向array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]])>>> np.concatenate((ar1, ar2),axis=1) # 這里沿第二個軸，即列方向進行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> ar3 = np.array([[14,15,16]]) # shape為（1，3）的2維數組>>> np.concatenate((ar1, ar3)) # 一般進行concatenate操作的array的shape需要一致，當然如果array在拼接axis方向的size不一樣，也可以完成>>> np.concatenate((ar1, ar3)) # ar3雖然在axis0方向的長度不一致，但axis1方向上一致，所以沿axis0可以拼接array([[ 1, 2, 3], [ 4, 5, 6], [14, 15, 16]])>>> np.concatenate((ar1, ar3), axis=1) # ar3和ar1在axis0方向的長度不一致，所以報錯 |
2. pd.append()
|
1
2
3
4
5
6
7
8
|
append(arr, values, axis=None)"""參數說明：arr：array_like的數據values: array_like的數據，若axis為None，則先將arr和values進行ravel扁平化,再拼接；否則values應當與arr的shape一致，或至多 在拼接axis的方向不一致axis：進行append操作的axis的方向，默認無""" |
示例
|
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> np.append(ar1, ar2) # 先ravel扁平化再拼接，所以返回值為一個1維數組array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13])>>> np.append(ar1, ar2, axis=0) # 沿第一個軸拼接，這里為行的方向 array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]])>>> np.append(ar1, ar2, axis=1) # 沿第二個軸拼接，這里為列的方向 array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]]) |
3. np.stack()
|
1
2
3
4
5
|
stack(arrays, axis=0, out=None)"""沿著指定的axis對arrays(每個array的shape必須一樣)進行拼接，返回值的維度比原arrays的維度高1axis：默認為0，即第一個軸，若為-1即為第二個軸""" |
示例
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>> np.stack((ar1, ar2)) # 增加第一個維度（axis0，之后的axis向后順延：0—>1, 1—>2）array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [11, 12, 13]]])>>> np.stack((ar1, ar2), axis=1) # 增加第二個維度（axis1，之后的axis向后順延, 1—>2）array([[[ 1, 2, 3], [ 7, 8, 9]], [[ 4, 5, 6], [11, 12, 13]]])>>> np.stack((ar1, ar2), axis=2) # 增加第三個維度（axis2，和axis=-1的效果一樣，原來的axis0和axis1保持不變）array([[[ 1, 7], [ 2, 8], [ 3, 9]], [[ 4, 11], [ 5, 12], [ 6, 13]]]) |
關于維度增加的一種理解方式
4. hstack、vstack和vstack
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
>>> np.hstack((ar1,ar2)) # 水平拼接，沿著行的方向，對列進行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> np.vstack((ar1,ar2)) # 垂直拼接，沿著列的方向，對行進行拼接array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]]) >>> np.dstack((ar1,ar2)) # 對于2維數組來說，沿著第三軸（深度方向）進行拼接, 效果相當于stack(axis=-1)array([[[ 1, 7], [ 2, 8], [ 3, 9]], [[ 4, 11], [ 5, 12], [ 6, 13]]]) |
5. column_stack和row_stack
|
1
2
3
4
5
6
7
8
9
|
>>> np.column_stack((ar1,ar2)) # 水平拼接，沿著行的方向，對列進行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> np.row_stack((ar1,ar2)) # 垂直拼接，沿著列的方向，對行進行拼接array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]]) |
6. np.r_ 和np.c_
常用于快速生成ndarray數據
|
1
2
3
4
5
6
7
8
9
|
>>> np.r_[ar1,ar2] # 垂直拼接，沿著列的方向，對行進行拼接array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]]) >>> np.c_[ar1,ar2] # 水平拼接，沿著行的方向，對列進行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]]) |
7. 總結
對于兩個shape一樣的二維array來說:
增加行（對行進行拼接）的方法有：
|
1
2
3
4
5
|
np.concatenate((ar1, ar2),axis=0)np.append(ar1, ar2, axis=0)np.vstack((ar1,ar2))np.row_stack((ar1,ar2))np.r_[ar1,ar2] |
增加列（對列進行拼接）的方法有：
|
1
2
3
4
5
|
np.concatenate((ar1, ar2),axis=1)np.append(ar1, ar2, axis=1)np.hstack((ar1,ar2))np.column_stack((ar1,ar2))np.c_[ar1,ar2] |
相關代碼可見：https://github.com/guofei1989/python_func_cases/tree/master/numpy_demos
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/guofei_fly/article/details/85485173
