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)，而不改變底層實際的數(shù)據(jù)。

關(guān)于NumPy數(shù)組有幾點必需了解的：

·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：

>>> import numpy as np
>>> 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)
>>> a
array([ 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：

>>> a=np.arange(5)
>>> a
array([0, 1, 2, 3, 4])
>>> np.append(a,10)
array([ 0, 1, 2, 3, 4, 10])
>>> a
array([0, 1, 2, 3, 4])
 
>>> b=np.array([11,22,33])
>>> b
array([11, 22, 33])
>>> np.append(a,b)
array([ 0, 1, 2, 3, 4, 11, 22, 33])
 
>>> a
array([[1, 2, 3],
    [4, 5, 6]])
>>> b=np.array([[7,8,9],[10,11,12]])
>>> b
array([[ 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：

>>> 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)的運行時間進(jìn)行比較

示例4：

>>> 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-time1
28.2316728446
>>> a=np.arange(9999)
>>> b=np.arange(9999)
>>> time1=now()
>>> c=np.concatenate((a,b),axis=0)
>>> time2=now()
>>> print time2-time1
20.3934997107

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。感興趣的朋友可以繼續(xù)參閱本站：

淺談numpy數(shù)組的幾種排序方式

Python編程給numpy矩陣添加一列方法示例

Python numpy生成矩陣、串聯(lián)矩陣代碼分享

如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

最新評論