詳解Numpy中的數(shù)組拼接、合并操作（concatenate, append, stack, hstack, vstack, r_, c_等）
Numpy中提供了concatenate,append, stack類(lèi)(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等類(lèi)和函數(shù)用于數(shù)組拼接的操作。
各種函數(shù)的特點(diǎn)和區(qū)別如下標(biāo)：
| concatenate | 提供了axis參數(shù)，用于指定拼接方向 |
|---|---|
| append | 默認(rèn)先ravel再拼接成一維數(shù)組，也可指定axis |
| stack | 提供了axis參數(shù)，用于生成新的維度 |
| hstack | 水平拼接，沿著行的方向，對(duì)列進(jìn)行拼接 |
| vstack | 垂直拼接，沿著列的方向，對(duì)行進(jìn)行拼接 |
| dstack | 沿著第三個(gè)軸（深度方向）進(jìn)行拼接 |
| column_stack | 水平拼接，沿著行的方向，對(duì)列進(jìn)行拼接 |
| row_stack | 垂直拼接，沿著列的方向，對(duì)行進(jìn)行拼接 |
| r_ | 垂直拼接，沿著列的方向，對(duì)行進(jìn)行拼接 |
| c_ | 水平拼接，沿著行的方向，對(duì)列進(jìn)行拼接 |
0. 維度和軸
在正確理解Numpy中的數(shù)組拼接、合并操作之前，有必要認(rèn)識(shí)下維度和軸的概念：
ndarray(多維數(shù)組)是Numpy處理的數(shù)據(jù)類(lèi)型。多維數(shù)組的維度即為對(duì)應(yīng)數(shù)據(jù)所在的空間維度，1維可以理解為直線(xiàn)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(lái)對(duì)多維數(shù)組所在空間進(jìn)行定義、描述的一組正交化的直線(xiàn)，根據(jù)數(shù)學(xué)慣例可以用
在一維空間中，用一個(gè)軸就可以表示清楚，numpy中規(guī)定為axis 0，空間內(nèi)的數(shù)可以理解為直線(xiàn)空間上的離散點(diǎn) (x
在二維空間中，需要用兩個(gè)軸表示，numpy中規(guī)定為axis 0和axis 1，空間內(nèi)的數(shù)可以理解為平面空間上的離散點(diǎn)（x
在三維空間中，需要用三個(gè)軸才能表示清楚，在二維空間的基礎(chǔ)上numpy中又增加了axis 2，空間內(nèi)的數(shù)可以理解為立方體空間上的離散點(diǎn)（x
Python中可以用numpy中的ndim和shape來(lái)分別查看維度，以及在對(duì)應(yīng)維度上的長(zhǎng)度。直觀(guān)上可以根據(jù)符號(hào)“[ ]”的層數(shù)來(lái)判斷，有m層即為m維，最外面1層對(duì)應(yīng)axis0， 依次為axis1，axis2…
>>> a = np.array([1,2,3]) >>> a.ndim # 一維數(shù)組 1 >>> a.shape # 在這個(gè)維度上的長(zhǎng)度為3 (3,) >>> b = np.array([[1,2,3], [4,5,6]]) >>> b.ndim # 二維數(shù)組 2 >>> b.shape # 在axis 0 上的長(zhǎng)度為2， 在axis 1上的長(zhǎng)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(shù)組 3 >>> c.shape # 在axis 0 上的長(zhǎng)度為1，在axis 1上的長(zhǎng)度為2, 在axis 2上的長(zhǎng)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()
concatenate(a_tuple, axis=0, out=None) """ 參數(shù)說(shuō)明： a_tuple:對(duì)需要合并的數(shù)組用元組的形式給出 axis: 沿指定的軸進(jìn)行拼接，默認(rèn)0，即第一個(gè)軸 """
示例
>>> import numpy as np
>>> ar1 = np.array([[1,2,3], [4,5,6]])
>>> ar2 = np.array([[7,8,9], [11,12,13]])
>>> ar1
array([[1, 2, 3],
[4, 5, 6]])
>>> ar2
array([[ 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(gè)軸，即列方向進(jìn)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(shù)組
>>> np.concatenate((ar1, ar3)) # 一般進(jìn)行concatenate操作的array的shape需要一致，當(dāng)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(zhǎng)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(zhǎng)度不一致，所以報(bào)錯(cuò)
2. pd.append()
append(arr, values, axis=None)
"""
參數(shù)說(shuō)明：
arr：array_like的數(shù)據(jù)
values: array_like的數(shù)據(jù)，若axis為None，則先將arr和values進(jìn)行ravel扁平化,再拼接；否則values應(yīng)當(dāng)與arr的shape一致，或至多
在拼接axis的方向不一致
axis：進(jìn)行append操作的axis的方向，默認(rèn)無(wú)
"""
示例
>>> np.append(ar1, ar2) # 先ravel扁平化再拼接，所以返回值為一個(gè)1維數(shù)組
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13])
>>> np.append(ar1, ar2, axis=0) # 沿第一個(gè)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(gè)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()
stack(arrays, axis=0, out=None) """ 沿著指定的axis對(duì)arrays(每個(gè)array的shape必須一樣)進(jìn)行拼接，返回值的維度比原arrays的維度高1 axis：默認(rèn)為0，即第一個(gè)軸，若為-1即為第二個(gè)軸 """
示例
>>> np.stack((ar1, ar2)) # 增加第一個(gè)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(gè)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(gè)維度（axis2，和axis=-1的效果一樣，原來(lái)的axis0和axis1保持不變）
array([[[ 1, 7],
[ 2, 8],
[ 3, 9]],
[[ 4, 11],
[ 5, 12],
[ 6, 13]]])
關(guān)于維度增加的一種理解方式
4. hstack、vstack和vstack
>>> np.hstack((ar1,ar2)) # 水平拼接，沿著行的方向，對(duì)列進(jìn)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(duì)行進(jìn)行拼接
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])
>>> np.dstack((ar1,ar2)) # 對(duì)于2維數(shù)組來(lái)說(shuō)，沿著第三軸（深度方向）進(jìn)行拼接, 效果相當(dāng)于stack(axis=-1)
array([[[ 1, 7],
[ 2, 8],
[ 3, 9]],
[[ 4, 11],
[ 5, 12],
[ 6, 13]]])
5. column_stack和row_stack
>>> np.column_stack((ar1,ar2)) # 水平拼接，沿著行的方向，對(duì)列進(jìn)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(duì)行進(jìn)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(shù)據(jù)
>>> np.r_[ar1,ar2] # 垂直拼接，沿著列的方向，對(duì)行進(jìn)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(duì)列進(jìn)行拼接
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])
7. 總結(jié)
對(duì)于兩個(gè)shape一樣的二維array來(lái)說(shuō):
增加行（對(duì)行進(jìn)行拼接）的方法有：
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(duì)列進(jìn)行拼接）的方法有：
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(guān)代碼可見(jiàn)：https://github.com/guofei1989/python_func_cases/tree/master/numpy_demos
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
- numpy中hstack vstack stack concatenate函數(shù)示例詳解
- numpy.concatenate函數(shù)用法詳解
- numpy中數(shù)組拼接、數(shù)組合并方法總結(jié)(append(),?concatenate,?hstack,?vstack,?column_stack,?row_stack,?np.r_,?np.c_等)
- numpy數(shù)組做圖片拼接的實(shí)現(xiàn)（concatenate、vstack、hstack）
- numpy concatenate數(shù)組拼接方法示例介紹
- 關(guān)于numpy.concatenate()函數(shù)的使用及說(shuō)明
相關(guān)文章
這篇文章主要介紹了Django model class Meta原理解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-11-11
這篇文章主要介紹了numpy數(shù)組拼接簡(jiǎn)單示例，涉及對(duì)numpy數(shù)組的介紹，numpy數(shù)組的屬性等內(nèi)容，具有一定借鑒價(jià)值，需要的朋友可以參考下。2017-12-12
Python實(shí)現(xiàn)批量向PDF文件添加中文水印
本文將通過(guò)設(shè)置批量PDF文件所在的路徑及需要添加的水印名稱(chēng)，從而實(shí)現(xiàn)批量添加PDF水印的效果。感興趣的小伙伴可以跟隨小編一起動(dòng)手試一試2022-02-02
在本篇內(nèi)容里小編給大家整理的是關(guān)于Python計(jì)算矩陣的和積的實(shí)例詳解內(nèi)容，需要的朋友們參考下。2020-09-09
簡(jiǎn)述Python2與Python3的不同點(diǎn)
在Python2和Python3中都提供print()方法來(lái)打印信息,但兩個(gè)版本間的print稍微有差異。下面通過(guò)本文給大家介紹Python2與Python3的不同點(diǎn)，需要的朋友參考下2018-01-01
在Django model中設(shè)置多個(gè)字段聯(lián)合唯一約束的實(shí)例
今天小編就為大家分享一篇在Django model中設(shè)置多個(gè)字段聯(lián)合唯一約束的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
python調(diào)用DLL與EXE文件截屏對(duì)比分析
這篇文章主要為大家介紹了python調(diào)用DLL與EXE文件截屏對(duì)比分析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2021-10-10
這篇文章主要介紹了Python中的私有屬性,本文用代碼實(shí)例來(lái)幫助理解私有屬性的一些技巧和使用方法,需要的朋友可以參考下2014-08-08
跟老齊學(xué)Python之玩轉(zhuǎn)字符串(3)
字符串是一個(gè)很長(zhǎng)的話(huà)題，縱然現(xiàn)在開(kāi)始第三部分，但是也不能完全說(shuō)盡。因?yàn)樽址亲匀徽Z(yǔ)言中最復(fù)雜的東西，也是承載功能最多的，計(jì)算機(jī)高級(jí)語(yǔ)言編程，要解決自然語(yǔ)言中的問(wèn)題，讓自然語(yǔ)言中完成的事情在計(jì)算機(jī)上完成，所以，也不得不有更多的話(huà)題。2014-09-09
使用Python實(shí)現(xiàn)漢諾塔問(wèn)題示例
這篇文章主要介紹了使用Python實(shí)現(xiàn)漢諾塔問(wèn)題示例,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-04-04