numpy数组的堆叠：numpy.stack, numpy.hstack, numpy.vstack

Posted 2023-02-21

参考技术A

stack 是指维度域的堆叠

numpy.hstack 与 numpy.vstack 对维度低于3的数组较为有用（能较好理解堆叠的过程）。

官方文档给出的定义是：对数组进行水平向（列）堆叠。该过程与第二维度（axis=1）的数组拼接（concatenation）是等价的，但是 1维数组除外 ，因其只具有一个维度，故是在第一个维度进行拼接。

给出如下例子（一）：

输出为：

下面给出二维数组的堆叠示例（二）：

输出为：

可以看出，numpy.hstack在水平向（列）堆叠是在两个数组arr1与arr2的第二个维度进行拼接。在上述例子中，第一个维度的size保持为 2 ，第二个维度的size因为拼接的缘故，增长为 3+3=6 。

下面再给一个trick，如果例子（一）的数组a与b的形状变为二维，那么结果是否会变化呢？例（三）

输出结果为：

例（四）。我们对例（一）进行修改，使用numpy.stack并指定堆叠的维度为0：

输出结果为：

根据例（一），（二），（三），（四），我们可以看出，numpy.hstack进行的 列维度堆叠 表现为： 行维度不变，列维度增加 。

官方文档给出的定义是：对数组进行垂直向（行）堆叠。该过程与第一维度（axis=0）的数组连接（concatenation）是等价的。对于一维数组(N,)，该方法首先将其转换为(1, N)形状，而后进行堆叠。
例（五）：

输出结果为：

可以看出，对一维数组而言， numpy.stack((a, b), axis=0) 与 np.vstack((a, b)) 是等价的。

例（六）：

输出结果为：

根据例（五）（六），我们可以看出，np.vstack在 行纬度的堆叠 体现在： 行维度增加，列维度保持不变 。

numpy.stack vs concatenate vs hstack vs vstack

官方文档的解释如下：

stack:

Join a sequence of arrays along a new axis

concatenate:

Join a sequence of arrays along a existing axis

因此stack 是在新轴axis=n上加入矩阵，已有的axis>=n往后挪动，譬如以前的axis=n挪动到axis=n+1上

而concatenate是在已有的轴axis=n上加入矩阵。

 

 

stack 例子：

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

concatenate例子：

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

hstack:

Equivalent to np.cancatenate(tup, axis=1), if tup contains arrays that are at least 2-dimensional.

vstack:

Equivalent to np.cancatenate(tup, axis=0), if tup contains arrays that are at least 2-dimensional.

因此当hstack 和 vstack 在维度等于1时，其作用相当于stack, 创建新轴。

而当维度大于等于2时，其作用相当于cancatenate, 在已有轴上进行操作。