Numpy中提供了concatenate,append, stack类(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等类和函数用于数组拼接的操作。
各种函数的特点和区别如下标：
| concatenate | 提供了axis参数，用于指定拼接方向 |
|---|---|
| append | 默认先ravel再拼接成一维数组，也可指定axis |
| stack | 提供了axis参数，用于生成新的维度 |
| hstack | 水平拼接，沿着行的方向，对列进行拼接 |
| vstack | 垂直拼接，沿着列的方向，对行进行拼接 |
| dstack | 沿着第三个轴（深度方向）进行拼接 |
| column_stack | 水平拼接，沿着行的方向，对列进行拼接 |
| row_stack | 垂直拼接，沿着列的方向，对行进行拼接 |
| r_ | 垂直拼接，沿着列的方向，对行进行拼接 |
| c_ | 水平拼接，沿着行的方向，对列进行拼接 |
0. 维度和轴
在正确理解Numpy中的数组拼接、合并操作之前，有必要认识下维度和轴的概念：
ndarray(多维数组)是Numpy处理的数据类型。多维数组的维度即为对应数据所在的空间维度，1维可以理解为直线空间，2维可以理解为平面空间，3维可以理解为立方体空间。
轴是用来对多维数组所在空间进行定义、描述的一组正交化的直线，根据数学惯例可以用
在一维空间中，用一个轴就可以表示清楚，numpy中规定为axis 0，空间内的数可以理解为直线空间上的离散点 (x
在二维空间中，需要用两个轴表示，numpy中规定为axis 0和axis 1，空间内的数可以理解为平面空间上的离散点（x
在三维空间中，需要用三个轴才能表示清楚，在二维空间的基础上numpy中又增加了axis 2，空间内的数可以理解为立方体空间上的离散点（x
Python中可以用numpy中的ndim和shape来分别查看维度，以及在对应维度上的长度。直观上可以根据符号“[ ]”的层数来判断，有m层即为m维，最外面1层对应axis0， 依次为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 # 一维数组1>>> a.shape # 在这个维度上的长度为3(3,)>>> b = np.array([[1,2,3], [4,5,6]])>>> b.ndim # 二维数组2>>> b.shape # 在axis 0 上的长度为2， 在axis 1上的长度为3.或者可以感性的理解为2行3列(2, 3)>>> c = np.array([[[1,2,3], [4,5,6]]])>>> c.ndim # 三维数组3>>> c.shape # 在axis 0 上的长度为1，在axis 1上的长度为2, 在axis 2上的长度为3. 或者可以感性的理解为1层2行3列(1, 2, 3) |
1. np.concatenate()
|
1
2
3
4
5
6
|
concatenate(a_tuple, axis=0, out=None)"""参数说明：a_tuple:对需要合并的数组用元组的形式给出axis: 沿指定的轴进行拼接，默认0，即第一个轴""" |
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)) # 这里的第一轴(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) # 这里沿第二个轴，即列方向进行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> ar3 = np.array([[14,15,16]]) # shape为（1，3）的2维数组>>> np.concatenate((ar1, ar3)) # 一般进行concatenate操作的array的shape需要一致，当然如果array在拼接axis方向的size不一样，也可以完成>>> np.concatenate((ar1, ar3)) # ar3虽然在axis0方向的长度不一致，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方向的长度不一致，所以报错 |
2. pd.append()
|
1
2
3
4
5
6
7
8
|
append(arr, values, axis=None)"""参数说明：arr：array_like的数据values: array_like的数据，若axis为None，则先将arr和values进行ravel扁平化,再拼接；否则values应当与arr的shape一致，或至多 在拼接axis的方向不一致axis：进行append操作的axis的方向，默认无""" |
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，所以返回值为一个1维数组array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13])>>> np.append(ar1, ar2, axis=0) # 沿第一个轴拼接，这里为行的方向 array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]])>>> np.append(ar1, ar2, axis=1) # 沿第二个轴拼接，这里为列的方向 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)"""沿着指定的axis对arrays(每个array的shape必须一样)进行拼接，返回值的维度比原arrays的维度高1axis：默认为0，即第一个轴，若为-1即为第二个轴""" |
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)) # 增加第一个维度（axis0，之后的axis向后顺延：0—>1, 1—>2）array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [11, 12, 13]]])>>> np.stack((ar1, ar2), axis=1) # 增加第二个维度（axis1，之后的axis向后顺延, 1—>2）array([[[ 1, 2, 3], [ 7, 8, 9]], [[ 4, 5, 6], [11, 12, 13]]])>>> np.stack((ar1, ar2), axis=2) # 增加第三个维度（axis2，和axis=-1的效果一样，原来的axis0和axis1保持不变）array([[[ 1, 7], [ 2, 8], [ 3, 9]], [[ 4, 11], [ 5, 12], [ 6, 13]]]) |
关于维度增加的一种理解方式
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，沿着行的方向，对列进行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> np.vstack((ar1,ar2)) # 垂直拼接，沿着列的方向，对行进行拼接array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]]) >>> np.dstack((ar1,ar2)) # 对于2维数组来说，沿着第三轴（深度方向）进行拼接, 效果相当于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，沿着行的方向，对列进行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]])>>> np.row_stack((ar1,ar2)) # 垂直拼接，沿着列的方向，对行进行拼接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数据
|
1
2
3
4
5
6
7
8
9
|
>>> np.r_[ar1,ar2] # 垂直拼接，沿着列的方向，对行进行拼接array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [11, 12, 13]]) >>> np.c_[ar1,ar2] # 水平拼接，沿着行的方向，对列进行拼接array([[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 11, 12, 13]]) |
7. 总结
对于两个shape一样的二维array来说:
增加行（对行进行拼接）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（对列进行拼接）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] |
相关代码可见：https://github.com/guofei1989/python_func_cases/tree/master/numpy_demos
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/guofei_fly/article/details/85485173
