【Python数据分析系列】一文帮你全面梳理数组的维度转化和堆叠操作（案例+源码）
这是Python数据分析系列原创文章，我的第184篇原创文章。
一、问题
在做数据分析和机器学习任务的时候，经常会遇到数据的重组，这就涉及到关于数组的维度转化和堆叠问题，本文将详细总结数据的堆叠操作方法。希望读者自己能够感悟其中的区别。
二、数组的属性和方法
数据准备
import numpy as np
X1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
X2 = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])2.1 尺寸、形状、长度
print('元素数量', X2.size) # 输出数组元素的个数
print('行数', np.size(X2, 0), '列数', np.size(X2, 1)) # 输出行数和列数
print("维度:", X2.shape) # 输出数组的形状（维度）
print('行数', X2.shape[0], '列数', X2.shape[1]) # 输出行数和列数
print('长度', len(X2)) # 输出数组的长度输出结果：
2.2 一维数组转二维
X3 = X1.reshape(len(X1), 1)
X4 = np.reshape(X1, (-1, 1))以上两种方法等价，np.reshape函数可以在不改变数组元素的情况下改变数组的形状，但是需要确保新的形状与原数组的元素数量匹配。
2.3 二维数组转一维
X5 = X2.flatten()np.flatten方法返回一个展平后的一维数组，其中元素按照原数组的顺序排列。
三、创建数组
3.1 根据一组索引号创建数组
# 索引和数据
l1 = [0, 1, 2]
l2 = [0, 5, 2]
data = [55, 58, 58]
indices = list(zip(l1, l2))
# 确定二维数组的大小
max_index = np.max(indices, axis=0)
rows, cols = max_index[0] + 1, max_index[1] + 1
# 创建初始的二维数组
arr = np.zeros((rows, cols))
# 根据索引和数据填充二维数组
for idx, value in zip(indices, data):
arr[idx] = value
print(arr)
# 绘制数据的热力图
# ax = sns.heatmap(arr)
# plt.show()arr如下：arr[0][0]=55;arr[1][5]=55;arr[2][2]=55;
3.2 np.random()随机数生成数组
np.random.seed(0)
data = np.random.rand(10, 12)np.random.rand()返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。np.random.randn()返回一个或一组服从标准正态分布的随机样本值。
np.random.seed(0)
data = np.random.randint(2, high=10, size=(2,3))numpy.random.randint()返回一个随机整型数
np.random.seed(0)
data = np.random.random((3, 4))np.random.random()返回[0,1)之间的浮点数
三、数组堆叠操作
准备数据
a1 = np.array([1, 3, 4]) # shape (3,)
a2 = np.array([4, 6, 7]) # shape (3,)
a3 = np.array([8, 10, 14]) # shape (3,)
b1 = np.array([[1,2,3],[4,5,6]]) # shape (3, 3)
b2 = np.array([[11,21,31],[7,8,9]]) # shape (3, 3)3.1 stack()
c1 = np.stack((a1, a2, a3), axis=0)
c2 = np.stack((a1, a2, a3), axis=1)np.stack是NumPy库中的一个函数，用于沿新的轴将多个数组堆叠在一起。它可以用于在新的维度上将多个数组进行堆叠，从而创建一个更高维度的数组。需要注意的是，堆叠的数组必须具有相同的形状。
以上是在第一个维度上（行）进行堆叠的结果
以上是在第二个维度（列）上进行堆叠的结果
3.2 vstack()
d1 = np.vstack((a1, a2, a3))np.vstack是NumPy库中的一个函数，用于沿垂直方向（行方向）将多个数组堆叠在一起。它可以将多个数组垂直堆叠成一个更大的数组。需要注意的是，堆叠的数组在除了垂直方向（行方向）以外的其他维度上必须具有相同的形状。
以上是堆叠的结果，沿行方向，列数不变。
3.3 hstack()
e1 = np.hstack((a1, a2, a3))np.hstack是NumPy库中的一个函数，用于沿水平方向（列方向）将多个数组堆叠在一起。它可以将多个数组水平堆叠成一个更大的数组。需要注意的是，堆叠的数组在除了水平方向（列方向）以外的其他维度上必须具有相同的形状。
以上是堆叠的结果，沿列方向，行数不变。
3.4 dstack()
f1 = np.dstack((a1, a2, a3))np.dstack是NumPy库中的一个函数，用于沿深度方向（第三维度）将多个数组堆叠在一起。它可以将多个二维数组沿深度方向堆叠成一个更大的三维数组。需要注意的是，堆叠的数组在除了深度方向（第三维度）以外的其他维度上必须具有相同的形状。
3.5 row_stack()
g1 = np.row_stack((a1, a2, a3))np.row_stack是NumPy库中的一个函数，用于沿行方向将多个数组堆叠在一起。它可以将多个数组按行堆叠成一个更大的数组。需要注意的是，堆叠的数组在除了行方向以外的其他维度上必须具有相同的形状。
以上是堆叠的结果
3.6 column_stack()
h1 = np.column_stack((a1, a2, a3))np.column_stack是NumPy库中的一个函数，用于沿列方向将多个数组堆叠在一起。它可以将多个数组按列堆叠成一个更大的数组。需要注意的是，堆叠的数组在除了列方向以外的其他维度上必须具有相同的形状。
以上是堆叠的结果
3.7 concatenate()
i1 = np.concatenate((a1, a2, a3), axis=0)
i2 = np.concatenate((b1, b2), axis=1)np.concatenate是NumPy库中的一个函数，用于沿指定轴将多个数组连接在一起。它可以将多个数组在指定的轴上进行连接，生成一个更大的数组。需要注意的是，连接的数组在除了指定轴以外的其他维度上必须具有相同的形状。
i1结果：
i2结果：
本期内容就到这里，我们下期再见！需要数据集和源码的小伙伴关注底部公众号添加作者微信！
作者简介：
读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。