对array
的合并,我们可以想到按行、按列等多种方式进行合并。
vertical stack
本身属于一种上下合并,即对括号中的两个整体进行对应操作。
>>> import numpy as np
>>> A=np.array([1,1,1])
>>> B=np.array([2,2,2])
>>> print(np.vstack((A,B)))
[[1 1 1]
[2 2 2]]
>>> C=np.vstack((A,B))
>>> print(A.shape,C.shape)
(3,) (2, 3)
>>> print(A)
[1 1 1]
利用shape函数可以让我们很容易地知道A和C的属性,从打印出的结果来看,A仅仅是一个拥有3项元素的数组(数列),而合并后得到的C是一个2行3列的矩阵。
介绍完了上下合并
,我们来说说左右合并
:
>>> D=np.hstack((A,B))
>>> print(D)
[1 1 1 2 2 2]
>>> print(A.shape,D.shape)
(3,) (6,)
通过打印出的结果可以看出:D本身来源于A,B两个数列的左右合并,而且新生成的D本身也是一个含有6项元素的序列。
说完了array
的合并,我们稍稍提及一下前一节中转置操作,如果面对如同前文所述的A
序列, 转置操作便很有可能无法对其进行转置(因为A
并不是矩阵的属性),此时就需要我们借助其他的函数操作进行转置:
>>> print(A.T)
[1 1 1]
>>> print(A[np.newaxis,:])
[[1 1 1]]
>>> print(A[np.newaxis,:].shape)
(1, 3)
>>> print(A[:,np.newaxis])
[[1]
[1]
[1]]
>>> print(A[:,np.newaxis].shape)
(3, 1)
此时我们便将具有3个元素的array转换为了1行3列以及3行1列的矩阵了。
结合着上面的知识,我们把它综合起来:
import numpy as np
A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
C = np.vstack((A,B)) # vertical stack
D = np.hstack((A,B)) # horizontal stack
print(D)
"""
[[1 2]
[1 2]
[1 2]]
"""
print(A.shape,D.shape)
# (3,1) (3,2)
当你的合并操作需要针对多个矩阵或序列时,借助concatenate函数可能会让你使用起来比前述的函数更加方便:
C = np.concatenate((A,B,B,A),axis=0)
print(C)
"""
array([[1],
[1],
[1],
[2],
[2],
[2],
[2],
[2],
[2],
[1],
[1],
[1]])
"""
D = np.concatenate((A,B,B,A),axis=1)
print(D)
"""
array([[1, 2, 2, 1],
[1, 2, 2, 1],
[1, 2, 2, 1]])
"""
axis
参数很好的控制了矩阵的纵向或是横向打印,相比较vstack
和hstack
函数显得更加方便。