numpy中数据合并,stack ,concentrate,vstack,hstack
numpy中数据合并,stack ,concentrate,vstack,hstack
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...
- Python numpy实现数组合并实例(vstack,hstack)
- numpy中hstack() vstack() stack() dstack() vsplit() concatenate()用法
- numpy中hstack() vstack() stack() dstack() vsplit() concatenate() 函数用法
- Numpy中stack(),hstack(),vstack()函数用法介绍及实例
- list,tuple和numpy中nparray及np.hstack(),np.vstack(),np.stack()函数关系及用法解析
- python numpy中的hstack,vstack,dstack,concatenate函数说明
- numpy两列数据合并的方法
- python中numpy的stack、vstack、hstack、concatenate、
- 【python】stack,hstack,vstack
- Python numpy函数:hstack()、vstack()、stack()、dstack()、vsplit()、concatenate()
- numpy的stack(),hstack()函数
- numpy中的stack操作:hstack()、vstack()、stack()、dstack()、vsplit()、concatenate()
- 手写softmax(numpy.stack hstack vstack)
- Numpy学习笔记之Numpy的合并与分割
- 【数据处理】R语言--data.table -dcast and melt(数据拆分and合并)
- 数据结构与算法——有序链表合并
- 8.Pandas数据合并concat
- python数据分析--Numpy
- easyui-datagrid合并列 C#使用Dynamic泛型计算合并列数据
- 利用Oracle分析函数实现多行数据合并为一行