numpy中hstack vstack stack concatenate函数示例详解

大纲

本文主要介绍一下numpy中的几个常用函数，包括hstack()、vstack()、stack()、concatenate()。

1、concatenate()

我们先来介绍最全能的concatenate()函数，后面的几个函数其实都可以用concatenate()函数来进行等价操作。

concatenate()函数根据指定的维度，对一个元组、列表中的list或者ndarray进行连接，函数原型：

numpy.concatenate((a1, a2, ...), axis=0)

先来看几个例子，一个2*2的数组和一个1*2的数组，在第0维进行拼接，得到一个3*2的数组：

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)

输出为：

array([[1, 2],
      [3, 4],
      [5, 6]])

进一步，一个2*2的数组和一个2*1的数组，在第01维进行拼接，得到一个2*3的数组：

np.concatenate((a, b.T), axis=1)

输出为：

array([[1, 2, 5],
      [3, 4, 6]])

上面两个简单的例子中，拼接的维度的长度是不同的，但是其他维度的长度必须是相同的，这也是使用concatenate()函数的一个基本原则，违背此规则就会报错，例如一个2*2的数组和一个1*2的数组，在第1维进行拼接：

np.concatenate((a, b), axis=1)

上面的代码会报错：

ValueError: all the input array dimensions except for the concatenation axis must match exactly

2、stack()

stack()函数的原型是numpy.stack(arrays, axis=0)，即将一堆数组的数据按照指定的维度进行堆叠。
我们先看两个简单的例子：

a = np.array([1,2,3])
b = np.array([2,3,4])
np.stack([a,b],axis=0)

输出为：

array([[1, 2, 3],
      [2, 3, 4]])

进一步：

np.stack([a,b],axis=1)

输出为：

array([[1, 2],
      [2, 3],
      [3, 4]])

如果换作是二维数组：

a = np.array([[1,2,3]])
b = np.array([[2,3,4]])
np.stack([a,b],axis=0)

输出为:

array([[[1, 2, 3]],
      [[2, 3, 4]]])

可以看到，进行stack的两个数组必须有相同的形状，同时，输出的结果的维度是比输入的数组都要多一维的。我们拿第一个例子来举例，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([1,2,3])
b = np.array([2,3,4])
a = a[np.newaxis,:]
b = b[np.newaxis,:]
np.concatenate([a,b],axis=0)

输出为：

array([[1, 2, 3],
      [2, 3, 4]])

3、vstack()

vstack()的函数原型：vstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它是垂直（按照行顺序）的把数组给堆叠起来。
举两个简单的例子：

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

输出为：

array([[1, 2, 3],
      [2, 3, 4]])

进一步：

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.vstack([a,b])

输出为：

array([[1],
      [2],
      [3],
      [1],
      [2],
      [3]])

如果进行vstack的数组至少有两维，那么相当于np.concatenate([a,b],axis=0)，我们通过例子进行对比：

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.concatenate([a,b],axis=0)

输出为：

array([[1],
      [2],
      [3],
      [1],
      [2],
      [3]])

可以看到，跟刚才的结果是一致的，但是如果进行堆叠的两个数组只有一维，那么结果是不同的：

a = np.array([1,2,3])
b = np.array([2,3,4])
np.concatenate([a,b],axis=0)

上面得到的结果为：

array([1, 2, 3, 2, 3, 4])

4、hstack()

hstack()的函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它其实就是水平(按列顺序)把数组给堆叠起来，与vstack()函数正好相反。举几个简单的例子：

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

输出为：

array([1, 2, 3, 2, 3, 4])

进一步，对于二维数组的情形：

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.hstack([a,b])

输出为：

array([[1, 1],
      [2, 2],
      [3, 3]])

如果进行hstack的数组至少有两维，那么相当于np.concatenate([a,b],axis=1)

a=[[1],[2],[3]]
b=[[1],[2],[3]]
np.concatenate([a,b],axis=1)

输出跟刚才的结果是一致的

array([[1, 1],
      [2, 2],
      [3, 3]])

只有一维的情况下，并不等价于np.concatenate([a,b],axis=1)，反而等价于np.concatenate([a,b],axis=0)。

5、tf中的stack()

tensorflow中也提供了stack函数，跟numpy中的stack函数的作用是一样的，我们通过例子来体会：

import tensorflow as tf
a = tf.convert_to_tensor([1,2,3])
b = tf.convert_to_tensor([2,3,4])
stack_ab = tf.stack([a,b])
a1 = tf.expand_dims(a,axis=0)
b1 = tf.expand_dims(b,axis=0)
concat_ab = tf.concat([a1,b1],axis=0)
with tf.Session() as sess:
   print(sess.run(stack_ab))
   print(sess.run(concat_ab))

输出为：

[[1 2 3]
[2 3 4]]
[[1 2 3]
[2 3 4]]

来源：http://r4.gs/887J