在python的numpy库中有一个函数np.stack(), 看过一些博文后觉得别人写的太复杂,然后自己有了一些理解之后做了一些比较简单的解释
np.stack
首先stack函数用于堆叠数组,其调用方式如下所示:
np.stack(arrays,axis=0)
其中arrays即需要进行堆叠的数组,axis是堆叠时使用的轴,比如:
arrays = [[1,2,3,4], [5,6,7,8]]
这是一个二维数组,axis=0表示的是第一维,也即是arrays[0] = [1,2,3,4]或者arrays[1] = [5,6,7,8]
axis=i时,代表在堆叠时首先选取第i维进行“打包”
具体例子:
当执行np.stack(arrays, axis=0)时,取出第一维的1、2、3、4,打包,[1, 2, 3, 4],其余的类似,然后结果如下:
-
>>> arrays = [[1,2,3,4], [5,6,7,8]]
-
>>> arrays=np.array(arrays)
-
>>> np.stack(arrays,axis=0)
-
array([[1, 2, 3, 4],
-
[5, 6, 7, 8]])
当执行np.stack(arrays, axis=1)时,先对arrays中的第二维进行“打包”,也即是将1、5打包成[1, 5],其余的类似,结果如下:
-
>>> np.stack(arrays, axis=1)
-
array([[1, 5],
-
[2, 6],
-
[3, 7],
-
[4, 8]])
有这个“打包”的概念后,对于三维的数组堆叠也不难理解了,例如:
a = np.array([[1,2,3,4], [5,6,7,8]])
arrays = np.asarray([a, a , a])
-
>>> arrays
-
array([[[1, 2, 3, 4],
-
[5, 6, 7, 8]],
-
-
[[1, 2, 3, 4],
-
[5, 6, 7, 8]],
-
-
[[1, 2, 3, 4],
-
[5, 6, 7, 8]]])
执行np.stack(arrays, axis=0),也就是对第一维进行打包,结果如下:
-
>>> np.stack(arrays, axis=0)
-
array([[[1, 2, 3, 4],
-
[5, 6, 7, 8]],
-
-
[[1, 2, 3, 4],
-
[5, 6, 7, 8]],
-
-
[[1, 2, 3, 4],
-
[5, 6, 7, 8]]])
执行np.stack(arrays, axis=1),也就是对第二维进行打包,取出第二维的元素[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]],对其余的也做类似处理,结果如下:
-
>>> np.stack(arrays, axis=1)
-
array([[[1, 2, 3, 4],
-
[1, 2, 3, 4],
-
[1, 2, 3, 4]],
-
-
[[5, 6, 7, 8],
-
[5, 6, 7, 8],
-
[5, 6, 7, 8]]])
执行np.stack(arrays, axis=2),与之前类似,取出第三维元素1、1、1,打包[1,1,1],结果如下:
-
>>> np.stack(arrays, axis=2)
-
array([[[1, 1, 1],
-
[2, 2, 2],
-
[3, 3, 3],
-
[4, 4, 4]],
-
-
[[5, 5, 5],
-
[6, 6, 6],
-
[7, 7, 7],
-
[8, 8, 8]]])
总结而言,也就是arrays是你要进行堆叠的数组,axis控制你要将arrays中哪个维度组合起来(也就是文中的“打包”)。
np.concatenate
np.concatenate((a1,a2,a3,...), axis=0),这个函数就是按照特定方向轴进行拼接,默认是第一维,在numpy官网上的示例如下:
-
>>> a = np.array([[1, 2], [3, 4]])
-
>>> b = np.array([[5, 6]])
-
>>> np.concatenate((a, b), axis=0)
-
array([[1, 2],
-
[3, 4],
-
[5, 6]])
-
>>> np.concatenate((a, b.T), axis=1)
-
array([[1, 2, 5],
-
[3, 4, 6]])
当axis=0时,将b的元素加到a的尾部,这里比较难以理解的是第二个np.concatenate((a, b.T), axis=1),其实也类似,b.T的shape为(1,2),axis=1,则在a的第二维加上b的每个元素,所以这里axis=i时, 输入参数(a1,a2,a3...)除了第i维,其余维度的shape应该一致,例如:
-
>>> a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])
-
>>> b = np.array([[[1,2,3],[4,5,6]]])
-
>>> np.concatenate((a, b), axis=0)
-
array([[[1, 2, 3],
-
[4, 5, 6]],
-
-
[[1, 2, 3],
-
[4, 5, 6]],
-
-
[[1, 2, 3],
-
[4, 5, 6]]])
这里a的shape为(2,2,3),b的shape为(1,2,3),axis=0则要求a,b在其他两维的形状是一致的,如果直接在其他维度进行concatenate操作则会报错(因为axis=1时,a和b在第一维的长度不一致):
-
>>> np.concatenate((a, b), axis=1)
-
Traceback (most recent call last):
-
File "<stdin>", line 1, in <module>
-
ValueError: all the input array dimensions except for the concatenation axis must match exactly
-
>>> np.concatenate((a, b), axis=2)
-
Traceback (most recent call last):
-
File "<stdin>", line 1, in <module>
-
ValueError: all the input array dimensions except for the concatenation axis must match exactly
下面一个例子能够说明:
-
>>> c=np.array([[[5,6,7],[7,8,9]],[[4,5,6],[5,6,7]]])
-
>>> c
-
array([[[5, 6, 7],
-
[7, 8, 9]],
-
-
[[4, 5, 6],
-
[5, 6, 7]]])
-
>>> c.shape
-
(2, 2, 3)
-
>>> np.concatenate((a, c), axis=1)
-
array([[[1, 2, 3],
-
[4, 5, 6],
-
[5, 6, 7],
-
[7, 8, 9]],
-
-
[[1, 2, 3],
-
[4, 5, 6],
-
[4, 5, 6],
-
[5, 6, 7]]])
-
>>> np.concatenate((a, c), axis=2)
-
array([[[1, 2, 3, 5, 6, 7],
-
[4, 5, 6, 7, 8, 9]],
-
-
[[1, 2, 3, 4, 5, 6],
-
[4, 5, 6, 5, 6, 7]]])
np.hstack
np.hstack(tup), 按照列的方向堆叠, tup可以是元组,列表,或者numpy数组, 其实也就是axis=1,即
np.hstack(tup) = np.concatenate(tup, axis=1)
按照上面对concatenate的理解则下面的示例很好理解
-
>>> a = np.array((1,2,3))
-
>>> b = np.array((2,3,4))
-
>>> np.hstack((a,b))
-
array([1, 2, 3, 2, 3, 4])
-
>>> a = np.array([[1],[2],[3]])
-
>>> b = np.array([[2],[3],[4]])
-
>>> np.hstack((a,b))
-
array([[1, 2],
-
[2, 3],
-
[3, 4]])
np.vstack
np.vstack(tup), 按照行的方向堆叠, tup可以是元组,列表,或者numpy数组, 理解起来与上相同
np.vstack(tup) = np.concatenate(tup, axis=0)
-
>>> a = np.array([1, 2, 3])
-
>>> b = np.array([2, 3, 4])
-
>>> np.vstack((a,b))
-
array([[1, 2, 3],
-
[2, 3, 4]])
-
>>> a = np.array([[1], [2], [3]])
-
>>> b = np.array([[2], [3], [4]])
-
>>> np.vstack((a,b))
-
array([[1],
-
[2],
-
[3],
-
[2],
-
[3],
-
[4]])
对于第二段代码,a的第一维元素分别时[1],[2],[3],所以堆叠时将b的对应元素直接加入
np.dstack
np.dstack(tup), 按照第三维方向堆叠,也即是
np.dstack(tup) = np.concatenate(tup, axis=2), 这里较好理解,所以直接放官网的示例
-
>>> a = np.array((1,2,3))
-
>>> b = np.array((2,3,4))
-
>>> np.dstack((a,b))
-
array([[[1, 2],
-
[2, 3],
-
[3, 4]]])
-
>>> a = np.array([[1],[2],[3]])
-
>>> b = np.array([[2],[3],[4]])
-
>>> np.dstack((a,b))
-
array([[[1, 2]],
-
[[2, 3]],
-
[[3, 4]]])
np.column_stack和np.row_stack
np.column_stack函数将一维的数组堆叠为二维数组,方向为列
np.row_stack函数将一维的数组堆叠为二维数组,方向为行
其实如果对前面的内容理解之后这两个算是比较简单的了
-
>>> a = np.array((1,2,3))
-
>>> b = np.array((2,3,4))
-
>>> np.column_stack((a,b))
-
array([[1, 2],
-
[2, 3],
-
[3, 4]])
-
>>> np.row_stack([np.array([1, 2, 3]), np.array([4, 5, 6])])
-
array([[1, 2, 3],
-
[4, 5, 6]])
总结
其实也就是两种操作,stack和concatenate,其中stack是首先找到axis轴的元素,然后对该轴的元素进行组合,然后形成新的数组,而concatenate则是在axis轴进行拓展,将a1,a2,a3...按照axis指定的轴进行增加操作...