numpy中hstack vstack stack concatenate函數示例詳解

Posted on by

大綱

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

1、concatenate()

我們先來介紹最全能的concatenate()函數，後面的幾個函數其實都可以用concatenate()函數來進行等價操作。

concatenate()函數根據指定的維度，對一個元組、列表中的list或者ndarray進行連接，函數原型：

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

先來看幾個例子，一個2*2的數組和一個1*2的數組，在第0維進行拼接，得到一個3*2的數組：

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]])

進一步，一個2*2的數組和一個2*1的數組，在第01維進行拼接，得到一個2*3的數組：

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

輸出為：

array([[1, 2, 5],
       [3, 4, 6]])

上面兩個簡單的例子中，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()函數的一個基本原則，違背此規則就會報錯，例如一個2*2的數組和一個1*2的數組，在第1維進行拼接：

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

上面的代碼會報錯：

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

2、stack()

stack()函數的原型是numpy.stack(arrays, axis=0)，即將一堆數組的數據按照指定的維度進行堆疊。
我們先看兩個簡單的例子：

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，進行stack的兩個數組必須有相同的形狀，同時，輸出的結果的維度是比輸入的數組都要多一維的。我們拿第一個例子來舉例，兩個含3個數的一維數組在第0維進行堆疊，其過程等價於先給兩個數組增加一個第0維，變為1*3的數組，再在第0維進行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()的函數原型：vstack(tup) ，參數tup可以是元組，列表，或者numpy數組，返回結果為numpy的數組。它是垂直（按照行順序）的把數組給堆疊起來。
舉兩個簡單的例子：

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]])

如果進行vstack的數組至少有兩維，那麼相當於np.concatenate([a,b],axis=0)，我們通過例子進行對比：

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，跟剛才的結果是一致的，但是如果進行堆疊的兩個數組隻有一維，那麼結果是不同的：

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

上面得到的結果為：

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

4、hstack()

hstack()的函數原型：hstack(tup) ，參數tup可以是元組，列表，或者numpy數組，返回結果為numpy的數組。它其實就是水平(按列順序)把數組給堆疊起來，與vstack()函數正好相反。舉幾個簡單的例子：

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])

進一步，對於二維數組的情形：

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

輸出為：

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

如果進行hstack的數組至少有兩維，那麼相當於np.concatenate([a,b],axis=1)

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

輸出跟剛才的結果是一致的

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

隻有一維的情況下，並不等價於np.concatenate([a,b],axis=1)，反而等價於np.concatenate([a,b],axis=0)。

5、tf中的stack()

tensorflow中也提供瞭stack函數，跟numpy中的stack函數的作用是一樣的，我們通過例子來體會：

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函數示例詳解的詳細內容，更多關於numpy函數示例的資料請關註WalkonNet其它相關文章！

推薦閱讀：