开启生长之旅!这是我参加「日新方案 2 月更文应战」的第 19 天,点击检查活动详情。
- numpy 堆叠数组
- ravel() 函数
- stack() 函数
- vstack()函数
- hstack()函数
- concatenate() 函数
- 参考资料
numpy 堆叠数组
在做图画和 nlp 的数组数据处理的时候,经常需要完成两个数组堆叠或许衔接的功用,这就需用到 numpy
库的一些函数,numpy 库中的常用堆叠数组函数如下:
-
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() 函数
ravel() 方法可让将多维数组展平成一维数组。如果不指定任何参数,ravel() 将沿着行(第 0 维/轴)展平/拉平输入数组。
示例代码如下:
std_array = np.random.normal(3, 2.5, size=(2, 4))
array1d = std_array.ravel()
print(std_array)
print(array1d)
程序输出成果如下:
[[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() 函数
stack() 函数原型是 stack(arrays,axis=0,out=None),功用是沿着给定轴衔接数组序列,轴默以为第0维。
1,参数解析:
- arrays: 相似数组(数组、列表)的序列,这儿的每个数组有必要有相同的shape。
- axis: 默以为整形数据,axis决定了沿着哪个维度stack输入数组。
2,回来:
- stacked :
ndarray
类型。The stacked array has one more dimension than the input arrays.
实例如下:
import numpy as np
# 一维数组进行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)
# 二维数组进行堆叠
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)
输出为:
[[1 3 4]
[4 6 7]]
(2, 3)
[[[1 3 5]
[5 6 9]]
[[1 3 5]
[5 6 9]]]
(2, 2, 3)
能够看到,进行 stack 的两个数组有必要有相同的形状,一起,输出的成果的维度是比输入的数组都要多一维的。我们拿榜首个例子来举例,两个含 3 个数的一维数组在第 0 维进行堆叠,其过程等价于先给两个数组增加一个第0维,变为1*3的数组,再在第 0 维进行 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)
输出为:
array([[1, 2, 3],
[2, 3, 4]])
vstack()函数
vstack函数原型是vstack(tup),功用是垂直的(按照行次序)堆叠序列中的数组。tup是数组序列(元组、列表、数组),数组有必要在所有轴上具有相同的shape,除了榜首个轴。1-D arrays must have the same length.
# 一维数组
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.vstack((a,b))
array([[1, 2, 3],
[2, 3, 4]])
# 二维数组
a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.vstack((a,b))
array([[1],
[2],
[3],
[2],
[3],
[4]])
hstack()函数
hstack()的函数原型:hstack(tup) ,参数tup能够是元组,列表,或许numpy数组,回来成果为numpy的数组。它其实便是**水平(按列次序)**把数组给堆叠起来,与vstack()函数正好相反。举几个简略的例子:
# 一维数组
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
# 二维数组
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函数对比:
这儿的v是vertically的缩写,代表垂直(沿着行)堆叠数组,这儿的h是horizontally的缩写,代表水平(沿着列)堆叠数组。
tup是数组序列(元组、列表、数组),数组有必要在所有轴上具有相同的shape,除了榜首个轴。
concatenate() 函数
concatenate()函数功用完全,理论上能够完成上面三个函数的功用,concatenate()函数依据指定的维度,对一个元组、列表中的list或许ndarray进行衔接,函数原型:
numpy.concatenate((a1, a2, ...), axis=0)
a = np.array([[1, 2], [3,4]])
b = np.array([[5, 6], [7, 8]])
# a、b的shape为(2,2),衔接榜首维就变成(4,2),衔接第二维就变成(2,4)
np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
注意:axis指定的维度(即拼接的维度)能够是不同的,但是axis之外的维度(其他维度)的长度有必要是相同的。注意 concatenate 函数运用最广,有必要在项目中熟练掌握。
参考资料
- numpy中的hstack()、vstack()、stack()、concatenate()函数详解