numpy中hstack() vstack() stack() dstack() vsplit() concatenate()用法

感觉numpy.hstack()和numpy.column_stack()函数略有相似，numpy.vstack()与numpy.row_stack()函数也是挺像的。

stackoverflow上也有类似的讨论，在这里numpy vstack vs. column_stack。

给一个相关函数的列表：

stack()    Join a sequence of arrays along a new axis.

hstack()    Stack arrays in sequence horizontally (column wise).

dstack()    Stack arrays in sequence depth wise (along third dimension).

concatenate()     Join a sequence of arrays along an existing axis.

vsplit ()   Split array into a list of multiple sub-arrays vertically.

一、numpy.stack()函数

函数原型：numpy.stack(arrays, axis=0)

程序实例：

[python] view plain copy

print ?

1. >>> arrays = [np.random.randn(3, 4) for _ in range(10)]  
2. >>> np.stack(arrays, axis=0).shape  
3. (10, 3, 4)  
4.   
5. >>>  
6.   
7. >>> np.stack(arrays, axis=1).shape  
8. (3, 10, 4)  
9.   
10. >>>  
11.   
12. >>> np.stack(arrays, axis=2).shape  
13. (3, 4, 10)  
14.   
15. >>>  
16.   
17. >>> a = np.array([1, 2, 3])  
18. >>> b = np.array([2, 3, 4])  
19. >>> np.stack((a, b))  
20. array([[1, 2, 3],  
21.        [2, 3, 4]])  
22.   
23. >>>  
24.   
25. >>> np.stack((a, b), axis=-1)  
26. array([[1, 2],  
27.        [2, 3],  
28.        [3, 4]])  

>>> arrays = [np.random.randn(3, 4) for _ in range(10)]
>>> np.stack(arrays, axis=0).shape
(10, 3, 4)

>>>

>>> np.stack(arrays, axis=1).shape
(3, 10, 4)

>>>

>>> np.stack(arrays, axis=2).shape
(3, 4, 10)

>>>

>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.stack((a, b))
array([[1, 2, 3],
       [2, 3, 4]])

>>>

>>> np.stack((a, b), axis=-1)
array([[1, 2],
       [2, 3],
       [3, 4]])

二、numpy.hstack()函数

函数原型：numpy.hstack(tup)

其中tup是arrays序列，The arrays must have the same shape, except in the dimensioncorresponding to axis (the first, by default).

等价于：np.concatenate(tup, axis=1)

程序实例：

[python] view plain copy

print ?

1. >>> a = np.array((1,2,3))  
2. >>> b = np.array((2,3,4))  
3. >>> np.hstack((a,b))  
4. array([1, 2, 3, 2, 3, 4])  
5. >>> a = np.array([[1],[2],[3]])  
6. >>> b = np.array([[2],[3],[4]])  
7. >>> np.hstack((a,b))  
8. array([[1, 2],  
9.        [2, 3],  
10.        [3, 4]])  

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])

三、numpy.vstack()函数

函数原型：numpy.vstack(tup)

等价于：np.concatenate(tup, axis=0） if tup contains arrays thatare at least 2-dimensional.

程序实例：

[python] view plain copy

print ?

1. >>> a = np.array([1, 2, 3])  
2. >>> b = np.array([2, 3, 4])  
3. >>> np.vstack((a,b))  
4. array([[1, 2, 3],  
5.        [2, 3, 4]])  
6.   
7. >>>  
8.   
9. >>> a = np.array([[1], [2], [3]])  
10. >>> b = np.array([[2], [3], [4]])  
11. >>> np.vstack((a,b))  
12. array([[1],  
13.        [2],  
14.        [3],  
15.        [2],  
16.        [3],  
17.        [4]])  

>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
       [2, 3, 4]])

>>>

>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
       [2],
       [3],
       [2],
       [3],
       [4]])

四、numpy.dstack(）函数

函数原型：numpy.dstack(tup)

等价于：np.concatenate(tup, axis=2)

程序实例：

[python] view plain copy

print ?

1. >>> a = np.array((1,2,3))  
2. >>> b = np.array((2,3,4))  
3. >>> np.dstack((a,b))  
4. array([[[1, 2],  
5.         [2, 3],  
6.         [3, 4]]])  
7.   
8. >>>  
9.   
10. >>> a = np.array([[1],[2],[3]])  
11. >>> b = np.array([[2],[3],[4]])  
12. >>> np.dstack((a,b))  
13. array([[[1, 2]],  
14.        [[2, 3]],  
15.        [[3, 4]]])  

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.dstack((a,b))
array([[[1, 2],
        [2, 3],
        [3, 4]]])

>>>

>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.dstack((a,b))
array([[[1, 2]],
       [[2, 3]],
       [[3, 4]]])

五、numpy.concatenate()函数

函数原型：numpy.concatenate((a1, a2, …), axis=0)

程序实例：

[python] view plain copy

print ?

1. >>> a = np.array([[1, 2], [3, 4]])  
2. >>> b = np.array([[5, 6]])  
3. >>> np.concatenate((a, b), axis=0)  
4. array([[1, 2],  
5.        [3, 4],  
6.        [5, 6]])  
7. >>> np.concatenate((a, b.T), axis=1)  
8. array([[1, 2, 5],  
9.        [3, 4, 6]])  
10.   
11. This function will not preserve masking of MaskedArray inputs.  
12. >>>  
13.   
14. >>> a = np.ma.arange(3)  
15. >>> a[1] = np.ma.masked  
16. >>> b = np.arange(2, 5)  
17. >>> a  
18. masked_array(data = [0 – 2],  
19.              mask = [False  True False],  
20.        fill_value = 999999)  
21. >>> b  
22. array([2, 3, 4])  
23. >>> np.concatenate([a, b])  
24. masked_array(data = [0 1 2 2 3 4],  
25.              mask = False,  
26.        fill_value = 999999)  
27. >>> np.ma.concatenate([a, b])  
28. masked_array(data = [0 – 2 2 3 4],  
29.              mask = [False  True False False False False],  
30.        fill_value = 999999)  

>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
       [3, 4, 6]])

This function will not preserve masking of MaskedArray inputs.
>>>

>>> a = np.ma.arange(3)
>>> a[1] = np.ma.masked
>>> b = np.arange(2, 5)
>>> a
masked_array(data = [0 -- 2],
             mask = [False  True False],
       fill_value = 999999)
>>> b
array([2, 3, 4])
>>> np.concatenate([a, b])
masked_array(data = [0 1 2 2 3 4],
             mask = False,
       fill_value = 999999)
>>> np.ma.concatenate([a, b])
masked_array(data = [0 -- 2 2 3 4],
             mask = [False  True False False False False],
       fill_value = 999999)

六、numpy.vsplit()函数

函数原型：numpy.vsplit(ary, indices_or_sections)

程序实例：

[python] view plain copy

print ?

1. >>> x = np.arange(16.0).reshape(4, 4)  
2. >>> x  
3. array([[  0.,   1.,   2.,   3.],  
4.        [  4.,   5.,   6.,   7.],  
5.        [  8.,   9.,  10.,  11.],  
6.        [ 12.,  13.,  14.,  15.]])  
7. >>> np.vsplit(x, 2)  
8. [array([[ 0.,  1.,  2.,  3.],  
9.        [ 4.,  5.,  6.,  7.]]),  
10.  array([[  8.,   9.,  10.,  11.],  
11.        [ 12.,  13.,  14.,  15.]])]  
12. >>> np.vsplit(x, np.array([3, 6]))  
13. [array([[  0.,   1.,   2.,   3.],  
14.        [  4.,   5.,   6.,   7.],  
15.        [  8.,   9.,  10.,  11.]]),  
16.  array([[ 12.,  13.,  14.,  15.]]),  
17.  array([], dtype=float64)]  
18.   
19. With a higher dimensional array the split is still along the first axis.  
20. >>>  
21.   
22. >>> x = np.arange(8.0).reshape(2, 2, 2)  
23. >>> x  
24. array([[[ 0.,  1.],  
25.         [ 2.,  3.]],  
26.        [[ 4.,  5.],  
27.         [ 6.,  7.]]])  
28. >>> np.vsplit(x, 2)  
29. [array([[[ 0.,  1.],  
30.         [ 2.,  3.]]]),  
31.  array([[[ 4.,  5.],  
32.         [ 6.,  7.]]])]  

>>> x = np.arange(16.0).reshape(4, 4)
>>> x
array([[  0.,   1.,   2.,   3.],
       [  4.,   5.,   6.,   7.],
       [  8.,   9.,  10.,  11.],
       [ 12.,  13.,  14.,  15.]])
>>> np.vsplit(x, 2)
[array([[ 0.,  1.,  2.,  3.],
       [ 4.,  5.,  6.,  7.]]),
 array([[  8.,   9.,  10.,  11.],
       [ 12.,  13.,  14.,  15.]])]
>>> np.vsplit(x, np.array([3, 6]))
[array([[  0.,   1.,   2.,   3.],
       [  4.,   5.,   6.,   7.],
       [  8.,   9.,  10.,  11.]]),
 array([[ 12.,  13.,  14.,  15.]]),
 array([], dtype=float64)]

With a higher dimensional array the split is still along the first axis.
>>>

>>> x = np.arange(8.0).reshape(2, 2, 2)
>>> x
array([[[ 0.,  1.],
        [ 2.,  3.]],
       [[ 4.,  5.],
        [ 6.,  7.]]])
>>> np.vsplit(x, 2)
[array([[[ 0.,  1.],
        [ 2.,  3.]]]),
 array([[[ 4.,  5.],
        [ 6.,  7.]]])]

参考：

numpy中的部分源码

转自博客：http://blog.youkuaiyun.com/garfielder007/article/details/51378296