NumPy ndarray合并数组

在 NumPy 中，合并数组也是最常见的操作之一，下表列举了常见的用于数组或向量合并的方法。

表1：Num:Py ndarray 数组合并方法

函数	描述
np. append()	内存占用大
np.concatenate()	没有内存问题
np. stack()	沿着新的轴加入一系列数组
np.hstack()	堆栈数组垂直顺序（行）
np.vstack()	堆栈数组垂直顺序（列）
np.dstack()	堆栈数组按顺序深入（沿第3维）
np.vsplit()	将数组分解成垂直的多个子数组的列表

几点说明：

• append()、concatenate() 以及 stack() 都有一个 axis 参数，用于控制数组的合并方式是按行还是按列。
• 对于 append() 和 concatenate()，待合并的数组必须有相同的行数或列数（满足一个即可）。
• stack()、hstack()、dstack() 要求待合并的数组必须具有相同的形状（shape）。

下面选择一些常用函数进行说明。

append()

append() 函数可以合并一维数组：

import numpy as np

a =np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.append(a, b)
print(c)
# [1 2 3 4 5 6]

append() 也可以合并多维数组：

import numpy as np

a =np.arange(4).reshape(2, 2)
b = np.arange(4).reshape(2, 2)
# 按行合并
c = np.append(a, b, axis=0)
print('按行合并后的结果')
print(c)
print('合并后数据维度', c.shape)
# 按列合并
d = np.append(a, b, axis=1)
print('按列合并后的结果')
print(d)
print('合并后数据维度', d.shape)

输出结果：

按行合并后的结果
[[0 1]
  [2 3]
  [0 1]
  [2 3]]
合并后数据维度 (4, 2)
按列合并后的结果
[[0 1 0 1]
  [2 3 2 3]]
合并后数据维度 (2, 4)

concatenate()

沿指定轴连接数组或矩阵：

import numpy as np
a =np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])

c = np.concatenate((a, b), axis=0)
print(c)
d = np.concatenate((a, b.T), axis=1)
print(d)

输出结果：

[[1 2]
  [3 4]
  [5 6]]
[[1 2 5]
  [3 4 6]]

stack()

沿指定轴堆叠数组或矩阵：

import numpy as np

a =np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print(np.stack((a, b), axis=0))

输出结果：

[[[1 2]
  [3 4]]

[[5 6]
  [7 8]]]