一、矩阵拼接

numpy矩阵拼接常用方法：

  • np.append(arr,values,axis)
  • np.concatenate(arrays,axis,out=None)
  • np.stack(arrays,axis,out=None)
  • np.hstack(tup)
  • np.vstack(tup)

① np.append(arr,values,axis)

支持数组和数组或数组和数的拼接，不支持三个及以上数组的拼接
参数：

  • arr：需要被添加values的数组
  • values：添加到数组arr中的值
  • axis：可选参数，默认值为None。

注：
1、如果axis没有给出，则默认axis=None，arr，values都将先展平成一维数组。
2、如果axis被指定了，那么arr和values需要同为一维数组或者有相同的shape，否则报错：ValueError: arrays must have same number of dimensions
3、axis的最大值为数组arr的维数-1，如arr维数等于1，axis最大值为0；arr维数等于2，axis最大值为1，以此类推。
4、当arr的维数为2(理解为单通道图)，axis=0表示沿着行增长方向添加 values；axis=1表示沿着列增长方向添加values
5、当arr的维数为3(理解为多通道图)，axis=0，axis=1时同上；axis=2表示沿着图像深度增长方向添加values

import numpy as npa = [[1,2,3,4]]b = 5c = [[5,6,7,8]]d = np.append(a,b) # 数组和数拼接,默认axis=Nonee = np.append(a,c) # 数组和数组拼接,默认axis=Nonef = np.append(a,c,axis=0) # 按行增长方向拼接(垂直拼接)g = np.append(a,c,axis=1) # 按列增长方向拼接(水平拼接) print(d)print(e)print(f)print(g)

输出：

② np.concatenate(arrays,axis,out=None)

功能与np.append()类似，但是支持多个数组的拼接。
参数：

  • arrays：一个包含需要组合的数组的元组，这些数组需要满足的要求是：（1）维数相同（2）除axis指定维度外其余维度元素个数对应相等
  • aixs：维度，指定数组组合的方向，默认为0，即垂直拼接
  • out：可选参数，是一个多维数组，如果提供该参数，函数返回结果将会保存在out中，当然，out的shape需要与结果相等
import numpy as npa = [[1,2,3,4]]b = 5c = [[5,6,7,8]]d = np.concatenate((a,b),axis=None) # 数组和数展平成一维数组拼接e = np.concatenate((a,c)) # 数组和数组拼接,默认axis=0,按行增长方向拼接(垂直拼接)f = np.concatenate((a,c),axis=1) # 数组和数组拼接,按列增长方向拼接(水平拼接) print(d)print(e)print(f)

输出：

③ np.stack(arrays,axis,out=None)

同样支持多矩阵拼接，不同的是，stack会在指定轴方向上添加一个新的维度，axis默认值为0
参数：

  • arrays：一个包含需要组合的数组的元组，这些数组需要满足的要求是：（1）维数相同（2）各维度元素个数对应相等（即形状相等）
  • aixs：维度，指定数组增加哪个维度，以及组合的方向。axis默认值为0，默认增加零轴，并按照零轴方向组合。
  • out：可选参数，是一个多维数组，如果提供该参数，函数返回结果将会保存在out中，当然，out的shape需要与结果相等
import numpy as npa = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])b = np.array([[13,14,15,16],[17,18,19,20],[21,22,23,24]])print(a.shape)print(b.shape)c = np.stack((a,b)) # 默认axis=0，数组和数组在0轴拼接，并在该纬度增加一维d = np.stack((a,b),axis=1) # axis=1，数组和数组在1轴拼接，并在该纬度增加一维e = np.stack((a,b),axis=2) # axis=2，数组和数组在2轴拼接，并在该纬度增加一维print(c, c.shape)print(d, d.shape)print(e, e.shape)

输出：

④ np.hstack(tup)

水平堆叠，对多维数组来说，水平堆叠相当于在第二个维度做concatenation

import numpy as npa = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])b = np.array([[13,14,15,16],[17,18,19,20],[21,22,23,24]])c = np.hstack((a,b))print(a, a.shape)print(b, b.shape)print(c, c.shape)

输出：

⑤ np.vstack(tup)

垂直堆叠，对多维数组来说，垂直堆叠相当于在第一个维度做concatenation

import numpy as npa = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])b = np.array([[13,14,15,16],[17,18,19,20],[21,22,23,24]])c = np.vstack((a,b))print(a, a.shape)print(b, b.shape)print(c, c.shape)

输出：