iwehdio的博客园：https://www.cnblogs.com/iwehdio/
1、np.concatenate((a, b), axis=0) np.concatenate方法沿现有的轴拼接一系列数组。输入数组(a、b、c)等要以元组形式输入，要求除了在所指定的拼接轴外形状一致。axis表示所指示的拼接轴，默认为0，为None时表示拼接前将所有输入数组展平。
>>> a = np.arange(8).reshape(4, 2) >>> b = np.arange(12).reshape(4, 3) >>> np.concatenate((a, b), axis=1) array([[ 0, 1, 0, 1, 2], [ 2, 3, 3, 4, 5], [ 4, 5, 6, 7, 8], [ 6, 7, 9, 10, 11]])
2、np.stack((a, b), axis=0) np.stack方法按新轴进行拼接数组。输入数组要求为元组形式，并且必须具有完全相同的形状。。axis指定的是生成的新轴在shape中的索引。
>>> a = np.arange(8,20).reshape(4, 3) >>> b = np.arange(12).reshape(4, 3) >>> c = np.stack((a, b), axis=1) >>> c (4, 2, 3) >>> c array([[[ 8, 9, 10], [ 0, 1, 2]], [[11, 12, 13], [ 3, 4, 5]], [[14, 15, 16], [ 6, 7, 8]], [[17, 18, 19], [ 9, 10, 11]]])
3、np.column_stack((a, b)) np.column_stack方法将输入数组作为列堆叠成二维数组，输入为元组形式，不一定必须为一维数组，但是必须形状相同。
>>> a = np.arange(8,11) >>> b = np.arange(3) >>> np.column_stack((a, b)) array([[ 8, 0], [ 9, 1], [10, 2]]) >>> a = np.arange(8,12).reshape(2, 2) >>> b = np.arange(4).reshape(2, 2) >>> np.column_stack((a, b)) array([[ 8, 9, 0, 1], [10, 11, 2, 3]]
4、np.dstack((a, b)) np.dstack方法沿深度方向（第三轴，索引为2）按顺序拼接数组。输入数组同样要求为元组形式，且形状只在第三轴上不同。如果输入为形状为(M,N)的二维数组则等效为(M,N,1)，如果输入为形状为(N,)的一维数组，则等效为(1,N,1)。
>>> a = np.arange(3).reshape(3) >>> b = np.arange(3,6).reshape(1,3) >>> c = np.dstack((a, b)) >>> c array([[[0, 3], [1, 4], [2, 5]]]) >>> c.shape (1, 3, 2)
5、np.hstack((a, b)) np.hstack方法沿列方向（第二轴，索引为1）按顺序拼接数组。输入数组同样要求为元组形式，且形状只在第二轴上不同。但是如果输入为形状为(N,)的一维数组，则在第一轴（索引为0）上将数组展平后拼接，生成形状为(n*N,)的一维数组。可以用来拼接列。
>>> a = np.arange(3).reshape(3) >>> b = np.arange(3,6).reshape(3) >>> np.hstack((a, b)).shape (6,) >>> a = np.arange(3).reshape(3,1) >>> b = np.arange(3,6).reshape(3,1) >>> np.hstack((a, b)).shape (3, 2)
6、np.vstack((a ,b)) np.vstack方法沿列方向（第一轴，索引为0）按顺序拼接数组。输入数组同样要求为元组形式，且形状只在第一轴上不同。但是如果输入为形状为(N,)的一维数组，则在第一轴（索引为0）上拼接，生成形状为(n,N)的二维数组。可以用来拼接行。
>>> a = np.arange(3).reshape(3,1) >>> b = np.arange(3,6).reshape(3,1) >>> np.vstack((a, b)).shape (6, 1) >>> a = np.arange(3).reshape(3) >>> b = np.arange(3,6).reshape(3) >>> np.vstack((a, b)).shape (2, 3)
7、np.block([ a, b ]) np.block方法将数组作为块输入，从块的嵌套列表中拼接一个数组。从输入的块的最后一个维度向前拼接，直到到达最外边的列表。可以用来创建块矩阵，也可以实现vstack和hstack的功能。如输入为[ a, b ]时相当于hstack((a,b))，输入为[[a],[b]]时相当于vstack((a,b))。
>>> A = np.eye(2) * 2 >>> B = np.eye(3) * 3 >>> np.block([ [A, np.zeros((2, 3))], [np.ones((3, 2)), B ]]) array([[2., 0., 0., 0., 0.], [0., 2., 0., 0., 0.], [1., 1., 3., 0., 0.], [1., 1., 0., 3., 0.], [1., 1., 0., 0., 3.]]) >>> a = np.array([1, 2, 3]) >>> b = np.array([2, 3, 4]) >>> np.block([a, b]) # hstack array([ 1, 2, 3, 2, 3, 4]) >>> np.block([[a], [b]]) # vstack array([[1, 2, 3], [2, 3, 4]])
8、np.r_[ ] np.r_方法可以自定义的完成以上所有拼接功能，具体可见numpy的基本API（三）。
9、np.split(x, a， axis=0) np.split方法可以将输入数组x进行拆分。如果a是一个整数且可整除数组长度，则将x拆分为a个数组，如果a是列表，则按列表中索引的位置进行拆分，超出值返回空列表。axis表示所要拆分的轴，默认为0。返回值为列表形式。
>>> x = np.arange(15) >>> np.split(x,3) [array([0, 1, 2, 3, 4]), array([5, 6, 7, 8, 9]), array([10, 11, 12, 13, 14])] >>> np.split(x, [0, 2, 5, 8, 13, 16]) [array([], dtype=int32), array([0, 1]), array([2, 3, 4]), array([5, 6, 7]), array([ 8, 9, 10, 11, 12]), array([13, 14]), array([], dtype=int32)]
>>> x = x.reshape(3,5)
>>> np.split(x,[0,1,2],axis=1)
[array([], shape=(3, 0), dtype=int32),
array([[ 0],
[ 5],
[10]]),
array([[ 1],
[ 6],
[11]]),
array([[ 2, 3, 4],
[ 7, 8, 9],
[12, 13, 14]])]
10、np.dsplit(x,a) np.dsplit方法相当于np.split方法中axis=2。
11、np.hsplit(x,a) np.hsplit方法相当于np.split方法中axis=1。
12、np.vsplit(x,a) np.vsplit方法相当于np.split方法中axis=0。
以上三个方法是和np.dstack、 np.hstack、 np.vstack相对应的。
13、np.repeat(x, a) np.repeat方法重复输入数组x，重复次数为a，a可以为形状与x对应的数组。
>>> np.repeat(3, 4) array([3, 3, 3, 3]) >>> x = np.array([[1,2],[3,4]]) >>> np.repeat(x, 2) array([1, 1, 2, 2, 3, 3, 4, 4]) >>> np.repeat(x, 3, axis=1) array([[1, 1, 1, 2, 2, 2], [3, 3, 3, 4, 4, 4]]) >>> np.repeat(x, [1, 2], axis=0) array([[1, 2], [3, 4], [3, 4]])
14、np.delet(x, a, axis=None) np.delet方法对输入数组x进行删除操作，a为删除的数组的索引，可以为列表，axis表示索引的轴，默认为展平数组。
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) >>> arr array([[ 1, 2, 3, 4], [ 5, 6, 7, 8], [ 9, 10, 11, 12]]) >>> np.delete(arr, [0,1], 0) array([[ 9, 10, 11, 12]])
15、np.insert(a, index, value, axis=None) np.insert方法在数组的指定位置插入数据。a为输入的原数组，index为插入的索引，可以为元组、列表和slice()索引。value为所要插入的数据，形状应与指定的轴对应，为数字时代表全部填充这个数。axis为选定的轴，默认为展平数组。需要注意的是index为多个时，numpy会按索引值从大到小插入数据，而且每次插入的数组都是完成上一个数据插入后返回的新数组。
>>> a = np.array([[1, 1], [2, 2], [3, 3]]) >>> a array([[1, 1], [2, 2], [3, 3]] >>> np.insert(a, 1, 5, axis=1) array([[1, 5, 1], [2, 5, 2], [3, 5, 3]]) >>> np.insert(a, [1], [[1],[2],[3]], axis=1) array([[1, 1, 1], [2, 2, 2], [3, 3, 3]]) >>> b = a.flatten() >>> np.insert(b, [2, 1, 0], [5, 3, 4]) array([4, 1, 3, 1, 5, 2, 2, 3, 3])
16、np.append(a, b, axis=None) np.append方法将值b拼接到数组a的末端，axis表示拼接的轴，默认为展平。
>>> np.append([[1, 2, 3], [4, 5, 6]], [[7, 8, 9]], axis=0) array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
17、np.resize(a, shape) resize方法改变输入数组a的形状。与reshape不同的是，resize直接更改了输入a的shape，而reshape是将更改后的数组作为返回值，数组a的shape没有改变。
18、np.trim_zeros(a, trim=\'\'fb) np.trim_zeros删除一维数组中头部或尾部的0。a为输入数组，trim为‘fb’表示删除头尾的0，为‘f\'表示删除头部的0，为‘b\'表示删除尾部的0。
>>> a = np.array((0, 0, 0, 1, 2, 3, 0, 2, 1, 0)) >>> np.trim_zeros(a) array([1, 2, 3, 0, 2, 1])
19、np.unique(a, return_index=False, return_inverse=False, return_counts=False, axis=None) np.unique方法用于查找数组中的唯一元素，返回排序好的数组中的元素，可以理解为数组a转换为集合。a为输入数组，axis为查找的最小元组，默认为展平即数字元素，如取0则查找唯一列。return_index表示返回数组a的唯一值的索引，数组中有多个相同值则返回最小的索引；return_inverse表示按数组a中的顺序，返回数组a中唯一值的索引，可以用于数组重建。return_counts表示返回数组a唯一值在原数组中出现的的个数。
可以同时使用多个return，但是无论输入顺序如何，输出顺序都是按 [唯一值、index、inverse、counts] 排列。
>>> a = np.array([[1, 0, 0], [1, 0, 0], [2, 3, 4]]) >>> np.unique(a, axis=0) array([[1, 0, 0], [2, 3, 4]]) >>> a = np.array([\'a\', \'b\', \'b\', \'c\', \'a\']) >>> u, indices = np.unique(a, return_index=True) >>> u array([\'a\', \'b\', \'c\']) >>> indices array([0, 1, 3]) >>> a[indices] array([\'a\', \'b\', \'c\']) >>> a = np.array([1, 2, 6, 4, 2, 3, 2]) >>> u, indices = np.unique(a, return_inverse=True) >>> u array([1, 2, 3, 4, 6]) >>> indices array([0, 1, 4, 3, 1, 2, 1]) >>> u[indices] array([1, 2, 6, 4, 2, 3, 2])
>>> u, indices = np.unique(a, return_counts=True)
>>> u
array([1, 3, 1, 1, 1])
>>> u,i,o = np.unique(a,return_counts=True,return_index=True, )
>>> u,i,o
(array([1, 2, 3, 4, 6]),
array([0, 1, 5, 3, 2]),
array([1, 3, 1, 1, 1])
参考：numpy中文文档：https://www.numpy.org.cn/reference/
numpy英文文档：https://numpy.org/doc/1.17/reference/index.html
iwehdio的博客园：https://www.cnblogs.com/iwehdio/