numpy中數據合併，stack ，concentrate，vstack，hstack

在python的numpy庫中有一個函數np.stack(), 看過一些博文後以爲別人寫的太複雜，而後本身有了一些理解以後作了一些比較簡單的解釋

 

np.stack

首先stack函數用於堆疊數組，其調用方式以下所示：

np.stack(arrays,axis=0)

 

其中arrays即須要進行堆疊的數組，axis是堆疊時使用的軸，好比：

arrays = [[1,2,3,4], [5,6,7,8]]

這是一個二維數組，axis=0表示的是第一維，也便是arrays[0] = [1,2,3,4]或者arrays[1] = [5,6,7,8]

axis=i時，表明在堆疊時首先選取第i維進行「打包」

 

具體例子：

當執行np.stack(arrays, axis=0)時，取出第一維的一、二、三、4，打包，[1, 2, 3, 4]，其他的相似，而後結果以下：

1.  
   >>> arrays = [[1,2,3,4], [5,6,7,8]]
2.  
   >>> arrays=np.array(arrays)
3.  
   >>> np.stack(arrays,axis=0)
4.  
   array([[ 1, 2, 3, 4],
5.  
   [ 5, 6, 7, 8]])

當執行np.stack(arrays, axis=1)時，先對arrays中的第二維進行「打包」，也便是將一、5打包成[1, 5]，其他的相似，結果以下：

1.  
   >>> np.stack(arrays, axis=1)
2.  
   array([[ 1, 5],
3.  
   [ 2, 6],
4.  
   [ 3, 7],
5.  
   [ 4, 8]])

 

有這個「打包」的概念後，對於三維的數組堆疊也不難理解了，例如:

a = np.array([[1,2,3,4], [5,6,7,8]])

arrays = np.asarray([a, a , a])

1.  
   >>> arrays
2.  
   array([[[ 1, 2, 3, 4],
3.  
   [ 5, 6, 7, 8]],
4.  
    
5.  
   [[ 1, 2, 3, 4],
6.  
   [ 5, 6, 7, 8]],
7.  
    
8.  
   [[ 1, 2, 3, 4],
9.  
   [ 5, 6, 7, 8]]])

執行np.stack(arrays, axis=0)，也就是對第一維進行打包，結果以下：

1.  
   >>> np.stack(arrays, axis=0)
2.  
   array([[[ 1, 2, 3, 4],
3.  
   [ 5, 6, 7, 8]],
4.  
    
5.  
   [[ 1, 2, 3, 4],
6.  
   [ 5, 6, 7, 8]],
7.  
    
8.  
   [[ 1, 2, 3, 4],
9.  
   [ 5, 6, 7, 8]]])

執行np.stack(arrays, axis=1)，也就是對第二維進行打包，取出第二維的元素[1,2,3,4]、[1,2,3,4]、[1,2,3,4]，打包，[[1,2,3,4],[1,2,3,4],[1,2,3,4]]，對其他的也作相似處理，結果以下：

1.  
   >>> np.stack(arrays, axis=1)
2.  
   array([[[ 1, 2, 3, 4],
3.  
   [ 1, 2, 3, 4],
4.  
   [ 1, 2, 3, 4]],
5.  
    
6.  
   [[ 5, 6, 7, 8],
7.  
   [ 5, 6, 7, 8],
8.  
   [ 5, 6, 7, 8]]])

執行np.stack(arrays, axis=2),與以前相似，取出第三維元素一、一、1，打包[1,1,1],結果以下：

1.  
   >>> np.stack(arrays, axis=2)
2.  
   array([[[ 1, 1, 1],
3.  
   [ 2, 2, 2],
4.  
   [ 3, 3, 3],
5.  
   [ 4, 4, 4]],
6.  
    
7.  
   [[ 5, 5, 5],
8.  
   [ 6, 6, 6],
9.  
   [ 7, 7, 7],
10.  
    [ 8, 8, 8]]])

 

總結而言，也就是arrays是你要進行堆疊的數組，axis控制你要將arrays中哪一個維度組合起來（也就是文中的「打包」）。

 

np.concatenate

 

np.concatenate((a1,a2,a3,...), axis=0)，這個函數就是按照特定方向軸進行拼接，默認是第一維，在numpy官網上的示例以下：

1.  
   >>> a = np.array([[1, 2], [3, 4]])
2.  
   >>> b = np.array([[5, 6]])
3.  
   >>> np.concatenate((a, b), axis=0)
4.  
   array([[ 1, 2],
5.  
   [ 3, 4],
6.  
   [ 5, 6]])
7.  
   >>> np.concatenate((a, b.T), axis=1)
8.  
   array([[ 1, 2, 5],
9.  
   [ 3, 4, 6]])

當axis=0時，將b的元素加到a的尾部，這裏比較難以理解的是第二個np.concatenate((a, b.T), axis=1)，其實也相似，b.T的shape爲（1，2）,axis=1,則在a的第二維加上b的每一個元素，因此這裏axis=i時, 輸入參數（a1,a2,a3...）除了第i維，其他維度的shape應該一致，例如：

1.  
   >>> a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])
2.  
   >>> b = np.array([[[1,2,3],[4,5,6]]])
3.  
   >>> np.concatenate((a, b), axis=0)
4.  
   array([[[ 1, 2, 3],
5.  
   [ 4, 5, 6]],
6.  
    
7.  
   [[ 1, 2, 3],
8.  
   [ 4, 5, 6]],
9.  
    
10.  
    [[ 1, 2, 3],
11.  
    [ 4, 5, 6]]])

這裏a的shape爲（2，2，3），b的shape爲（1，2，3），axis=0則要求a,b在其餘兩維的形狀是一致的，若是直接在其餘維度進行concatenate操做則會報錯（由於axis=1時，a和b在第一維的長度不一致）：

1.  
   >>> np.concatenate((a, b), axis=1)
2.  
   Traceback (most recent call last):
3.  
   File "<stdin>", line 1, in <module>
4.  
   ValueError: all the input array dimensions except for the concatenation axis must match exactly
5.  
   >>> np.concatenate((a, b), axis=2)
6.  
   Traceback (most recent call last):
7.  
   File "<stdin>", line 1, in <module>
8.  
   ValueError: all the input array dimensions except for the concatenation axis must match exactly

下面一個例子可以說明：

1.  
   >>> c=np.array([[[5,6,7],[7,8,9]],[[4,5,6],[5,6,7]]])
2.  
   >>> c
3.  
   array([[[ 5, 6, 7],
4.  
   [ 7, 8, 9]],
5.  
    
6.  
   [[ 4, 5, 6],
7.  
   [ 5, 6, 7]]])
8.  
   >>> c.shape
9.  
   ( 2, 2, 3)
10.  
    >>> np.concatenate((a, c), axis=1)
11.  
    array([[[ 1, 2, 3],
12.  
    [ 4, 5, 6],
13.  
    [ 5, 6, 7],
14.  
    [ 7, 8, 9]],
15.  
     
16.  
    [[ 1, 2, 3],
17.  
    [ 4, 5, 6],
18.  
    [ 4, 5, 6],
19.  
    [ 5, 6, 7]]])
20.  
    >>> np.concatenate((a, c), axis=2)
21.  
    array([[[ 1, 2, 3, 5, 6, 7],
22.  
    [ 4, 5, 6, 7, 8, 9]],
23.  
     
24.  
    [[ 1, 2, 3, 4, 5, 6],
25.  
    [ 4, 5, 6, 5, 6, 7]]])

 

 

np.hstack

np.hstack(tup),  按照列的方向堆疊， tup能夠是元組，列表，或者numpy數組, 其實也就是axis=1,即

np.hstack(tup) = np.concatenate(tup, axis=1)

按照上面對concatenate的理解則下面的示例很好理解

1.  
   >>> a = np.array((1,2,3))
2.  
   >>> b = np.array((2,3,4))
3.  
   >>> np.hstack((a,b))
4.  
   array([ 1, 2, 3, 2, 3, 4])
5.  
   >>> a = np.array([[1],[2],[3]])
6.  
   >>> b = np.array([[2],[3],[4]])
7.  
   >>> np.hstack((a,b))
8.  
   array([[ 1, 2],
9.  
   [ 2, 3],
10.  
    [ 3, 4]])

 

np.vstack

np.vstack(tup),  按照行的方向堆疊， tup能夠是元組，列表，或者numpy數組, 理解起來與上相同

np.vstack(tup) = np.concatenate(tup, axis=0)

1.  
   >>> a = np.array([1, 2, 3])
2.  
   >>> b = np.array([2, 3, 4])
3.  
   >>> np.vstack((a,b))
4.  
   array([[ 1, 2, 3],
5.  
   [ 2, 3, 4]])

1.  
   >>> a = np.array([[1], [2], [3]])
2.  
   >>> b = np.array([[2], [3], [4]])
3.  
   >>> np.vstack((a,b))
4.  
   array([[ 1],
5.  
   [ 2],
6.  
   [ 3],
7.  
   [ 2],
8.  
   [ 3],
9.  
   [ 4]])

對於第二段代碼，a的第一維元素分別時[1],[2],[3]，因此堆疊時將b的對應元素直接加入

 

np.dstack

np.dstack(tup), 按照第三維方向堆疊，也便是

np.dstack(tup) = np.concatenate(tup, axis=2), 這裏較好理解，因此直接放官網的示例

1.  
   >>> a = np.array((1,2,3))
2.  
   >>> b = np.array((2,3,4))
3.  
   >>> np.dstack((a,b))
4.  
   array([[[ 1, 2],
5.  
   [ 2, 3],
6.  
   [ 3, 4]]])

1.  
   >>> a = np.array([[1],[2],[3]])
2.  
   >>> b = np.array([[2],[3],[4]])
3.  
   >>> np.dstack((a,b))
4.  
   array([[[ 1, 2]],
5.  
   [[ 2, 3]],
6.  
   [[ 3, 4]]])

 

np.column_stack和np.row_stack

np.column_stack函數將一維的數組堆疊爲二維數組，方向爲列

np.row_stack函數將一維的數組堆疊爲二維數組，方向爲行

其實若是對前面的內容理解以後這兩個算是比較簡單的了

1.  
   >>> a = np.array((1,2,3))
2.  
   >>> b = np.array((2,3,4))
3.  
   >>> np.column_stack((a,b))
4.  
   array([[ 1, 2],
5.  
   [ 2, 3],
6.  
   [ 3, 4]])

1.  
   >>> np.row_stack([np.array([1, 2, 3]), np.array([4, 5, 6])])
2.  
   array([[ 1, 2, 3],
3.  
   [ 4, 5, 6]])

 

總結

其實也就是兩種操做，stack和concatenate，其中stack是首先找到axis軸的元素，而後對該軸的元素進行組合，而後造成新的數組，而concatenate則是在axis軸進行拓展，將a1,a2,a3...按照axis指定的軸進行增長操做...