大纲
本文主要介绍一下numpy中的几个常用函数，包括hstack()、vstack()、stack()、concatenate()。
1、concatenate()
我们先来介绍最全能的concatenate()函数，后面的几个函数其实都可以用concatenate()函数来进行等价操作。
concatenate()函数根据指定的维度，对一个元组、列表中的list或者ndarray进行连接，函数原型：
1 | numpy.concatenate((a1, a2, ...), axis=0) |
先来看几个例子，一个2*2的数组和一个1*2的数组，在第0维进行拼接，得到一个3*2的数组：
1 2 3 | a = np.array([[1, 2], [3, 4]])b = np.array([[5, 6]])np.concatenate((a, b), axis=0) |
输出为：
1 2 3 | array([[1, 2], [3, 4], [5, 6]]) |
进一步，一个2*2的数组和一个2*1的数组，在第01维进行拼接，得到一个2*3的数组：
1 | np.concatenate((a, b.T), axis=1) |
输出为：
1 2 | array([[1, 2, 5], [3, 4, 6]]) |
上面两个简单的例子中，拼接的维度的长度是不同的，但是其他维度的长度必须是相同的，这也是使用concatenate()函数的一个基本原则，违背此规则就会报错，例如一个2*2的数组和一个1*2的数组，在第1维进行拼接：
1 | np.concatenate((a, b), axis=1) |
上面的代码会报错：
1 | ValueError: all the input array dimensions except for the concatenation axis must match exactly |
2、stack()
stack()函数的原型是numpy.stack(arrays, axis=0)，即将一堆数组的数据按照指定的维度进行堆叠。
我们先看两个简单的例子：
1 2 3 | a = np.array([1,2,3])b = np.array([2,3,4])np.stack([a,b],axis=0) |
输出为：
1 2 | array([[1, 2, 3], [2, 3, 4]]) |
进一步：
1 | np.stack([a,b],axis=1) |
输出为：
1 2 3 | array([[1, 2], [2, 3], [3, 4]]) |
如果换作是二维数组：
1 2 3 | a = np.array([[1,2,3]])b = np.array([[2,3,4]])np.stack([a,b],axis=0) |
输出为:
1 2 | array([[[1, 2, 3]], [[2, 3, 4]]]) |
可以看到，进行stack的两个数组必须有相同的形状，同时，输出的结果的维度是比输入的数组都要多一维的。我们拿第一个例子来举例，两个含3个数的一维数组在第0维进行堆叠，其过程等价于先给两个数组增加一个第0维，变为1*3的数组，再在第0维进行concatenate()操作：
1 2 3 4 5 | 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) |
输出为：
1 2 | array([[1, 2, 3], [2, 3, 4]]) |
3、vstack()
vstack()的函数原型：vstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它是垂直（按照行顺序）的把数组给堆叠起来。
举两个简单的例子：
1 2 3 | a = np.array([1,2,3])b = np.array([2,3,4])np.vstack([a,b]) |
输出为：
1 2 | array([[1, 2, 3], [2, 3, 4]]) |
进一步：
1 2 3 | a=[[1],[2],[3]]b=[[1],[2],[3]]np.vstack([a,b]) |
输出为：
1 2 3 4 5 6 | array([[1], [2], [3], [1], [2], [3]]) |
如果进行vstack的数组至少有两维，那么相当于np.concatenate([a,b],axis=0)，我们通过例子进行对比：
1 2 3 | a=[[1],[2],[3]]b=[[1],[2],[3]]np.concatenate([a,b],axis=0) |
输出为：
1 2 3 4 5 6 | array([[1], [2], [3], [1], [2], [3]]) |
可以看到，跟刚才的结果是一致的，但是如果进行堆叠的两个数组只有一维，那么结果是不同的：
1 2 3 | a = np.array([1,2,3])b = np.array([2,3,4])np.concatenate([a,b],axis=0) |
上面得到的结果为：
1 | array([1, 2, 3, 2, 3, 4]) |
4、hstack()
hstack()的函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它其实就是水平(按列顺序)把数组给堆叠起来，与vstack()函数正好相反。举几个简单的例子：
1 2 3 | a = np.array([1,2,3])b = np.array([2,3,4])np.hstack([a,b]) |
输出为：
1 | array([1, 2, 3, 2, 3, 4]) |
进一步，对于二维数组的情形：
1 2 3 | a=[[1],[2],[3]]b=[[1],[2],[3]]np.hstack([a,b]) |
输出为：
1 2 3 | array([[1, 1], [2, 2], [3, 3]]) |
如果进行hstack的数组至少有两维，那么相当于np.concatenate([a,b],axis=1)
1 2 3 | a=[[1],[2],[3]]b=[[1],[2],[3]]np.concatenate([a,b],axis=1) |
输出跟刚才的结果是一致的
1 2 3 | array([[1, 1], [2, 2], [3, 3]]) |
只有一维的情况下，并不等价于np.concatenate([a,b],axis=1)，反而等价于np.concatenate([a,b],axis=0)。
5、tf中的stack()
tensorflow中也提供了stack函数，跟numpy中的stack函数的作用是一样的，我们通过例子来体会：
1 2 3 4 5 6 7 8 9 10 | import tensorflow as tfa = 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)) |
输出为：
1 2 3 4 | [[1 2 3] [2 3 4]][[1 2 3] [2 3 4]] |
以上就是numpy中hstack vstack stack concatenate函数示例详解的详细内容，更多关于numpy函数示例的资料请关注IT俱乐部其它相关文章！
