Python數(shù)據(jù)分析之堆疊數(shù)組函數(shù)怎么使用

今天小編給大家分享一下Python數(shù)據(jù)分析之堆疊數(shù)組函數(shù)怎么使用的相關(guān)知識(shí)點(diǎn)，內(nèi)容詳細(xì)，邏輯清晰，相信大部分人都還太了解這方面的知識(shí)，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來(lái)了解一下吧。

numpy 堆疊數(shù)組

在做圖像和 nlp 的數(shù)組數(shù)據(jù)處理的時(shí)候，經(jīng)常需要實(shí)現(xiàn)兩個(gè)數(shù)組堆疊或者連接的功能，這就需用到 numpy 庫(kù)的一些函數(shù)，numpy 庫(kù)中的常用堆疊數(shù)組函數(shù)如下：

• stack : Join a sequence of arrays along a new axis.

• hstack: Stack arrays in sequence horizontally (column wise).

• vstack : Stack arrays in sequence vertically (row wise).

• dstack : Stack arrays in sequence depth wise (along third axis).

• concatenate : Join a sequence of arrays along an existing axis.

ravel() 函數(shù)

ravel() 方法可讓將多維數(shù)組展平成一維數(shù)組。如果不指定任何參數(shù)，ravel() 將沿著行（第 0 維/軸）展平/拉平輸入數(shù)組。

示例代碼如下:

std_array = np.random.normal(3, 2.5, size=(2, 4))
array1d = std_array.ravel()
print(std_array)
print(array1d)

程序輸出結(jié)果如下：

[[5.68301857 2.09696067 2.20833423 2.83964393]
 [2.38957339 9.66254303 1.58419716 2.82531094]]
 
[5.68301857 2.09696067 2.20833423 2.83964393 2.38957339 9.66254303 1.58419716 2.82531094]

stack() 函數(shù)

stack() 函數(shù)原型是 stack(arrays, axis=0, out=None)，功能是沿著給定軸連接數(shù)組序列，軸默認(rèn)為第０維。

1，參數(shù)解析：

• arrays: 類似數(shù)組（數(shù)組、列表）的序列，這里的每個(gè)數(shù)組必須有相同的shape。

• axis: 默認(rèn)為整形數(shù)據(jù)，axis決定了沿著哪個(gè)維度stack輸入數(shù)組。

2，返回：

• stacked : ndarray 類型。The stacked array has one more dimension than the input arrays.

實(shí)例如下：

import numpy as np
# 一維數(shù)組進(jìn)行stack
a1 = np.array([1, 3, 4])    # shape (3,)
b1 = np.array([4, 6, 7])    # shape (3,)
c1 = np.stack((a,b))
print(c1)
print(c1.shape)    # (2,3)
# 二維數(shù)組進(jìn)行堆疊
a2 = np.array([[1, 3, 5], [5, 6, 9]])    # shape (2,3)
b2 = np.array([[1, 3, 5], [5, 6, 9]])    # shape (2,3)
c2 = np.stack((a2, b2), axis=0)
print(c2)
print(c2.shape)

輸出為：

[[1 3 4] [4 6 7]]

(2, 3)

[[[1 3 5] [5 6 9]] [[1 3 5] [5 6 9]]] (2, 2, 3)

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(lái)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(guò)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, 3, 4])
b = np.array([4, 6, 7])
a = a[np.newaxis,:]
b = b[np.newaxis,:]
np.concatenate([a,b],axis=0)

輸出為：

array([[1, 2, 3],       [2, 3, 4]])

vstack()函數(shù)

vstack函數(shù)原型是vstack(tup)，功能是垂直的（按照行順序）堆疊序列中的數(shù)組。tup是數(shù)組序列(元組、列表、數(shù)組)，數(shù)組必須在所有軸上具有相同的shape，除了第一個(gè)軸。1-D arrays must have the same length.

# 一維數(shù)組
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.vstack((a,b))

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

# 二維數(shù)組
a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.vstack((a,b))

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

hstack()函數(shù)

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(lái)，與vstack()函數(shù)正好相反。舉幾個(gè)簡(jiǎn)單的例子：

# 一維數(shù)組
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.hstack((a,b))

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

# 二維數(shù)組
a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.hstack((a,b))

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

vstack()和hstack函數(shù)對(duì)比：

這里的v是vertically的縮寫，代表垂直（沿著行）堆疊數(shù)組，這里的h是horizontally的縮寫，代表水平（沿著列）堆疊數(shù)組。 tup是數(shù)組序列(元組、列表、數(shù)組)，數(shù)組必須在所有軸上具有相同的shape，除了第一個(gè)軸。

concatenate() 函數(shù)

concatenate()函數(shù)功能齊全，理論上可以實(shí)現(xiàn)上面三個(gè)函數(shù)的功能，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)

a = np.array([[1, 2], [3，4]])　　　　　　　　　　　　　　　
b = np.array([[5, 6], [7, 8]])
# a、b的shape為（2,2），連接第一維就變成（4,2），連接第二維就變成（2,4）
np.concatenate((a, b), axis=0)

array([[1, 2], [3, 4], [5, 6], [7, 8]])

注意：axis指定的維度（即拼接的維度）可以是不同的，但是axis之外的維度（其他維度）的長(zhǎng)度必須是相同的。注意 concatenate 函數(shù)使用最廣，必須在項(xiàng)目中熟練掌握。

以上就是“Python數(shù)據(jù)分析之堆疊數(shù)組函數(shù)怎么使用”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會(huì)為大家更新不同的知識(shí)，如果還想學(xué)習(xí)更多的知識(shí)，請(qǐng)關(guān)注億速云行業(yè)資訊頻道。