大綱

本文主要介紹一下numpy中的幾個(gè)常用函數(shù)，包括hstack()、vstack()、stack()、concatenate()。

1、concatenate()

我們先來介紹最全能的concatenate()函數(shù)，后面的幾個(gè)函數(shù)其實(shí)都可以用concatenate()函數(shù)來進(jìn)行等價(jià)操作。

concatenate()函數(shù)根據(jù)指定的維度，對(duì)一個(gè)元組、列表中的list或者ndarray進(jìn)行連接，函數(shù)原型：

numpy.concatenate((a1, a2, ...), axis=0)

先來看幾個(gè)例子，一個(gè)2*2的數(shù)組和一個(gè)1*2的數(shù)組，在第0維進(jìn)行拼接，得到一個(gè)3*2的數(shù)組：

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)

輸出為：

array([[1, 2],
 ? ? ? [3, 4],
 ? ? ? [5, 6]])

進(jìn)一步，一個(gè)2*2的數(shù)組和一個(gè)2*1的數(shù)組，在第01維進(jìn)行拼接，得到一個(gè)2*3的數(shù)組：

np.concatenate((a, b.T), axis=1)

輸出為：

array([[1, 2, 5],
 ? ? ? [3, 4, 6]])

上面兩個(gè)簡單的例子中，拼接的維度的長度是不同的，但是其他維度的長度必須是相同的，這也是使用concatenate()函數(shù)的一個(gè)基本原則，違背此規(guī)則就會(huì)報(bào)錯(cuò)，例如一個(gè)2*2的數(shù)組和一個(gè)1*2的數(shù)組，在第1維進(jìn)行拼接：

np.concatenate((a, b), axis=1)

上面的代碼會(huì)報(bào)錯(cuò)：

ValueError: all the input array dimensions except for the concatenation axis must match exactly

2、stack()

stack()函數(shù)的原型是numpy.stack(arrays, axis=0)，即將一堆數(shù)組的數(shù)據(jù)按照指定的維度進(jìn)行堆疊。
我們先看兩個(gè)簡單的例子：

a = np.array([1,2,3])
b = np.array([2,3,4])
np.stack([a,b],axis=0)

輸出為：

array([[1, 2, 3],
 ? ? ? [2, 3, 4]])

進(jìn)一步：

np.stack([a,b],axis=1)

輸出為：

array([[1, 2],
 ? ? ? [2, 3],
 ? ? ? [3, 4]])

如果換作是二維數(shù)組：

a = np.array([[1,2,3]])
b = np.array([[2,3,4]])
np.stack([a,b],axis=0)

輸出為:

array([[[1, 2, 3]],
 ? ? ? [[2, 3, 4]]])

可以看到，進(jìn)行stack的兩個(gè)數(shù)組必須有相同的形狀，同時(shí)，輸出的結(jié)果的維度是比輸入的數(shù)組都要多一維的。我們拿第一個(gè)例子來舉例，兩個(gè)含3個(gè)數(shù)的一維數(shù)組在第0維進(jìn)行堆疊，其過程等價(jià)于先給兩個(gè)數(shù)組增加一個(gè)第0維，變?yōu)?*3的數(shù)組，再在第0維進(jìn)行concatenate()操作：

a = np.array([1,2,3])
b = np.array([2,3,4])
a = a[np.newaxis,:]
b = b[np.newaxis,:]
np.concatenate([a,b],axis=0)

輸出為：

array([[1, 2, 3],
 ? ? ? [2, 3, 4]])

3、vstack()

vstack()的函數(shù)原型：vstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組。它是垂直（按照行順序）的把數(shù)組給堆疊起來。
舉兩個(gè)簡單的例子：

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

輸出為：

array([[1, 2, 3],
 ? ? ? [2, 3, 4]])

進(jìn)一步：

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

輸出為：

array([[1],
 ? ? ? [2],
 ? ? ? [3],
 ? ? ? [1],
 ? ? ? [2],
 ? ? ? [3]])

如果進(jìn)行vstack的數(shù)組至少有兩維，那么相當(dāng)于np.concatenate([a,b],axis=0)，我們通過例子進(jìn)行對(duì)比：

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.concatenate([a,b],axis=0)

輸出為：

array([[1],
 ? ? ? [2],
 ? ? ? [3],
 ? ? ? [1],
 ? ? ? [2],
 ? ? ? [3]])

可以看到，跟剛才的結(jié)果是一致的，但是如果進(jìn)行堆疊的兩個(gè)數(shù)組只有一維，那么結(jié)果是不同的：

a = np.array([1,2,3])
b = np.array([2,3,4])
np.concatenate([a,b],axis=0)

上面得到的結(jié)果為：

array([1, 2, 3, 2, 3, 4])

4、hstack()

hstack()的函數(shù)原型：hstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組。它其實(shí)就是水平(按列順序)把數(shù)組給堆疊起來，與vstack()函數(shù)正好相反。舉幾個(gè)簡單的例子：

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

輸出為：

array([1, 2, 3, 2, 3, 4])

進(jìn)一步，對(duì)于二維數(shù)組的情形：

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.hstack([a,b])

輸出為：

array([[1, 1],
 ? ? ? [2, 2],
 ? ? ? [3, 3]])

如果進(jìn)行hstack的數(shù)組至少有兩維，那么相當(dāng)于np.concatenate([a,b],axis=1)

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.concatenate([a,b],axis=1)

輸出跟剛才的結(jié)果是一致的

array([[1, 1],
 ? ? ? [2, 2],
 ? ? ? [3, 3]])

只有一維的情況下，并不等價(jià)于np.concatenate([a,b],axis=1)，反而等價(jià)于np.concatenate([a,b],axis=0)。

5、tf中的stack()

tensorflow中也提供了stack函數(shù)，跟numpy中的stack函數(shù)的作用是一樣的，我們通過例子來體會(huì)：

import tensorflow as tf
a = tf.convert_to_tensor([1,2,3])
b = tf.convert_to_tensor([2,3,4])
stack_ab = tf.stack([a,b])
a1 = tf.expand_dims(a,axis=0)
b1 = tf.expand_dims(b,axis=0)
concat_ab = tf.concat([a1,b1],axis=0)
with tf.Session() as sess:
 ? ?print(sess.run(stack_ab))
 ? ?print(sess.run(concat_ab))

輸出為：

[[1 2 3]
 [2 3 4]]
[[1 2 3]
 [2 3 4]]

以上就是numpy中hstack vstack stack concatenate函數(shù)示例詳解的詳細(xì)內(nèi)容，更多關(guān)于numpy函數(shù)示例的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論