NumPy堆叠数组

本文介绍了如何使用NumPy库中的np.vstack和np.hstack函数在Python中进行二维数组的垂直和水平堆叠,以及更通用的np.concatenate方法,强调了轴参数在连接数组时的重要性。

垂直堆叠(Vertical Stacking)

np.vstack

np.vstack函数用于在垂直方向上堆叠数组,即沿着第一个轴(对于二维数组来说是行)进行连接。

import numpy as np  

a = np.array([[1, 2, 3], [4, 5, 6]])  
b = np.array([[7, 8, 9], [10, 11, 12]])  
  
# 使用 np.vstack 在垂直方向上堆叠这两个数组  
c = np.vstack((a, b))  
  
print(c)

'''
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
'''

水平堆叠(Horizontal Stacking)

np.hstack

np.hstack函数用于在水平方向上堆叠数组,即沿着第二个轴(对于二维数组来说是列)进行连接。

import numpy as np  
  
a = np.array([[1, 2, 3], [4, 5, 6]])  
b = np.array([[7, 8, 9], [10, 11, 12]]) 
  
# 使用 np.hstack 在水平方向上堆叠这两个数组(注意,要求数组的行数相同)  
c = np.hstack((a, b))  
  
print(c)

'''
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
'''

注意,当使用np.hstack时,需要确保数组在第一个维度(即行数)上是兼容的。

np.concatenate

更通用的方法是使用np.concatenate,它允许指定沿哪个轴连接数组。

使用np.concatenate进行垂直堆叠,应传递具有相同列数的数组,并将axis参数设置为0; 对于水平堆叠,应传递具有相同行数的数组,并将axis参数设置为1。

# 沿着第一个轴(行)连接,类似于 vstack  
c_vertical = np.concatenate((a, b), axis=0)  
print(c_vertical) 

'''
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
'''

# 沿着第二个轴(列)连接,类似于 hstack  
c_horizontal = np.concatenate((a, b), axis=1)  
print(c_horizontal)  

'''
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
'''
### 三维数组堆叠操作 NumPy 提供了多种方式来堆叠数组,包括 `np.vstack`、`np.hstack` 和 `np.dstack`,分别用于在垂直方向(按行)、水平方向(按列)以及深度方向(按第三轴)堆叠数组。这些操作可以用于合并多个数组,以便进行后续的批量处理或数据分析。 #### 按行堆叠(垂直方向) `np.vstack` 可以将多个数组沿垂直方向堆叠。例如,两个二维数组可以通过 `np.vstack` 合并为一个更大的二维数组: ```python import numpy as np a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) result = np.vstack((a, b)) print(result) # [[1 2] # [3 4] # [5 6] # [7 8]] ``` #### 按列堆叠(水平方向) `np.hstack` 可以将多个数组沿水平方向堆叠。例如,两个二维数组可以通过 `np.hstack` 合并为一个更宽的二维数组: ```python result = np.hstack((a, b)) print(result) # [[1 2 5 6] # [3 4 7 8]] ``` #### 按深度堆叠(第三轴) `np.dstack` 可以将多个二维数组沿深度方向堆叠,形成一个三维数组: ```python result = np.dstack((a, b)) print(result) # [[[1 2] # [3 4]] # # [[5 6] # [7 8]]] ``` 这些堆叠方法可以用于数据拼接、特征合并等场景,尤其是在图像处理和机器学习中,具有广泛的应用价值。 ### 数组的保存与加载 NumPy 提供了多种保存和加载数组的方法,其中 `np.save`、`np.load` 和 `np.savez` 是最常用的方式。这些方法可以用于持久化存储数组数据,便于后续读取和共享。 #### 单个数组的保存与加载 使用 `np.save` 可以将单个数组保存为 `.npy` 文件: ```python np.save('array_a.npy', a) ``` 加载时使用 `np.load`: ```python loaded_a = np.load('array_a.npy') print(loaded_a) ``` #### 多个数组的保存与加载 使用 `np.savez` 可以将多个数组保存为一个 `.npz` 文件: ```python np.savez('arrays.npz', arr1=a, arr2=b) ``` 加载时使用 `np.load` 并通过键访问: ```python data = np.load('arrays.npz') loaded_a = data['arr1'] loaded_b = data['arr2'] ``` #### 文本格式保存与加载 对于需要与他人共享或进行人工检查的场景,可以使用 `np.savetxt` 和 `np.loadtxt` 保存和加载文本格式的数组: ```python np.savetxt('array.txt', a, delimiter=',') loaded_a = np.loadtxt('array.txt', delimiter=',') ``` 这些保存和加载方法能够满足大多数数据存储和共享需求,同时保证了数据的完整性和可读性[^1]。 ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值