numpy数组拼接：stack(),vstack(),hstack()函数使用总结
numpy数组拼接：stack(),vstack(),hstack()函数使用总结
在学习中遇到了上面这三个函数，容易混淆，特在此做个总结，为了便于理解对数据做了一些简单的可视化处理。以下代码在jupyter上实现。
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
a = np.arange(0,15)
b = 2*a
c = np.stack((a,b))
d = np.vstack((a,b))
e = np.hstack((a,b))
print(c)
print(d)
print(e)
plt.plot(c[0],c[1],color='red')
plt.savefig('stack.png')
输出：
[[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[ 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28]]
[[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[ 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 2 4 6 8 10 12 14 16
18 20 22 24 26 28]
1. numpy.vstack(tup)
从上面的代码及输出结果我们可以得知numpy.vstack()函数是将数组垂直堆叠起来，这个函数与numpy.stack()在参数axis=0时很像。
2. numpy.hstack(tup)
同样，我们容易得知numpy.hstack()函数是将数组沿水平方向堆叠起来。
3. numpty.stack(arrays, axis=0, out=None)
使用numpy.stack()函数会增加一个维度，
c1 = np.stack((a,b),axis=1)
print(c1.shape)
print(c1)
plt.plot(c1[:,0],c1[:,1])
plt.savefig('stack_axis=1.png')
输出:
(15, 2)
[[ 0 0]
[ 1 2]
[ 2 4]
[ 3 6]
[ 4 8]
[ 5 10]
[ 6 12]
[ 7 14]
[ 8 16]
[ 9 18]
[10 20]
[11 22]
[12 24]
[13 26]
[14 28]]
a,b是两个一维数组，numpy.stack()函数的难点在于参数axis的选择，参数默认axis=0。当参数axis=0时跟numpy.vstack()类似。
x = np.random.randn(2,3)
print(x)
print('*********************************************')
x = [x for _ in range(4)]
z = np.stack(x)
print(z.shape)
print(z)
print('*********************************************')
z = np.stack(x,axis=1)
print(z.shape)
print(z)
print('*********************************************')
z = np.stack(x,axis=2)
print(z.shape)
print(z)
Output:
[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.33489732 -0.76980012 0.35207285]]
*********************************************
(4, 2, 3)
[[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.33489732 -0.76980012 0.35207285]]
[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.33489732 -0.76980012 0.35207285]]
[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.33489732 -0.76980012 0.35207285]]
[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.33489732 -0.76980012 0.35207285]]]
*********************************************
(2, 4, 3)
[[[ 0.5456976 -0.39267711 -0.19219264]
[ 0.5456976 -0.39267711 -0.19219264]
[ 0.5456976 -0.39267711 -0.19219264]
[ 0.5456976 -0.39267711 -0.19219264]]
[[ 0.33489732 -0.76980012 0.35207285]
[ 0.33489732 -0.76980012 0.35207285]
[ 0.33489732 -0.76980012 0.35207285]
[ 0.33489732 -0.76980012 0.35207285]]]
*********************************************
(2, 3, 4)
[[[ 0.5456976 0.5456976 0.5456976 0.5456976 ]
[-0.39267711 -0.39267711 -0.39267711 -0.39267711]
[-0.19219264 -0.19219264 -0.19219264 -0.19219264]]
[[ 0.33489732 0.33489732 0.33489732 0.33489732]
[-0.76980012 -0.76980012 -0.76980012 -0.76980012]
[ 0.35207285 0.35207285 0.35207285 0.35207285]]]
在上面的代码中，输出了不同axis数值下的shape：（4,2,3），（2,4,3），（2,3,4）从中我们可以看到，参数axis等于几增加的那个维度就在第几个维度上。
img = np.zeros((720, 1280, 3), np.uint8)
y = np.linspace(0,719,720)
x1 = np.full((720,),360)
x2 = np.full((720,),940)
ptsl = np.transpose(np.vstack((x1,y)))
ptsr = np.transpose(np.vstack((x2,y)))[::-1]
pts = np.vstack((ptsl,ptsr))
cv2.fillPoly(img, np.int_([pts]), (0, 255,0))
plt.imshow(img)
plt.show()
