Numpy中數(shù)組如何實(shí)現(xiàn)拼接、合并操作

這篇文章給大家分享的是有關(guān)Numpy中數(shù)組如何實(shí)現(xiàn)拼接、合并操作的內(nèi)容。小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過(guò)來(lái)看看吧。

Numpy中提供了concatenate,append, stack類(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等類和函數(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)：

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，根據(jù)數(shù)學(xué)慣例可以用$$i,j,ki, j ,ki,j,k來(lái)表示。

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)可以理解為直線空間上的離散點(diǎn) (x$$iii, )。

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$$iii，y$$jjj）。

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$$iii，y$$jjj，z$$kkk）。

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]

感謝各位的閱讀！關(guān)于“Numpy中數(shù)組如何實(shí)現(xiàn)拼接、合并操作”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！