这篇文章给大家分享的是有关numpy如何实现数组合并和矩阵拼接的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
Numpy中提供了concatenate,append, stack类(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等类和函数用于数组拼接的操作。
各种函数的特点和区别如下标：
| concatenate | 提供了axis参数，用于指定拼接方向 |
|---|---|
| append | 默认先ravel再拼接成一维数组，也可指定axis |
| stack | 提供了axis参数，用于生成新的维度 |
| hstack | 水平拼接，沿着行的方向，对列进行拼接 |
| vstack | 垂直拼接，沿着列的方向，对行进行拼接 |
| dstack | 沿着第三个轴（深度方向）进行拼接 |
| column_stack | 水平拼接，沿着行的方向，对列进行拼接 |
| row_stack | 垂直拼接，沿着列的方向，对行进行拼接 |
| r_ | 垂直拼接，沿着列的方向，对行进行拼接 |
| c_ | 水平拼接，沿着行的方向，对列进行拼接 |
将两个一维数组合并成一个二维数组：
计算
安全
数据库
网络和加速
企业服务
import torch
import numpy as np
import matplotlib.pyplot as plt
a = np.arange(0,15,0.1)
b = 1.088 * a + 0.638 + np.random.rand() * 10
print(a.shape,b.shape)
points = np.array([a,b])
print(points.shape)
(150,) (150,)
(2, 150)append(arr, values, axis=None)| arr | 待合并的数组的复制（特别主页是复制，所以要多耗费很多内存） |
| values | 用来合并到上述数组复制的值。如果指定了下面的参数axis的话，则这些值必须和arr的shape一致(shape[axis]之外都相等)，否则的话，则没有要求。 |
| axis | 要合并的轴. |
>>> import numpy as np
>>> ar1 = np.array([[1,2,3], [4,5,6]])
>>> ar2 = np.array([[7,8,9], [11,12,13]])
>>> np.append(ar1, ar2) # 先ravel扁平化再拼接，所以返回值为一个1维数组
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13])
>>> np.append(ar1, ar2, axis=0) # 沿第一个轴拼接，这里为行的方向
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])
>>> np.append(ar1, ar2, axis=1) # 沿第二个轴拼接，这里为列的方向
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])concatenate(a_tuple, axis=0, out=None)| a_tuple: | 对需要合并的数组用元组的形式给出 |
| axis | 待合并的轴，默认为0 |
>>> import numpy as np
>>> ar1 = np.array([[1,2,3], [4,5,6]])
>>> ar2 = np.array([[7,8,9], [11,12,13]])
>>> ar1
array([[1, 2, 3],
[4, 5, 6]])
>>> ar2
array([[ 7, 8, 9],
[11, 12, 13]])
>>> np.concatenate((ar1, ar2)) # 这里的第一轴(axis 0)是行方向
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])
>>> np.concatenate((ar1, ar2),axis=1) # 这里沿第二个轴，即列方向进行拼接
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])
>>> ar3 = np.array([[14,15,16]]) # shape为（1，3）的2维数组
>>> np.concatenate((ar1, ar3)) # 一般进行concatenate操作的array的shape需要一致，当然如果array在拼接axis方向的size不一样，也可以完成
>>> np.concatenate((ar1, ar3)) # ar3虽然在axis0方向的长度不一致，但axis1方向上一致，所以沿axis0可以拼接
array([[ 1, 2, 3],
[ 4, 5, 6],
[14, 15, 16]])
>>> np.concatenate((ar1, ar3), axis=1) # ar3和ar1在axis0方向的长度不一致，所以报错>>> np.hstack((ar1,ar2)) # 水平拼接，沿着行的方向，对列进行拼接
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])>>> np.vstack((ar1,ar2)) # 垂直拼接，沿着列的方向，对行进行拼接
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])>>> np.dstack((ar1,ar2)) # 对于2维数组来说，沿着第三轴（深度方向）进行拼接, 效果相当于stack(axis=-1)
array([[[ 1, 7],
[ 2, 8],
[ 3, 9]],
[[ 4, 11],
[ 5, 12],
[ 6, 13]]])>>> np.column_stack((ar1,ar2)) # 水平拼接，沿着行的方向，对列进行拼接
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])
>>> np.row_stack((ar1,ar2)) # 垂直拼接，沿着列的方向，对行进行拼接
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])常用于快速生成ndarray数据
>>> np.r_[ar1,ar2] # 垂直拼接，沿着列的方向，对行进行拼接
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]])
>>> np.c_[ar1,ar2] # 水平拼接，沿着行的方向，对列进行拼接
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 11, 12, 13]])感谢各位的阅读！关于“numpy如何实现数组合并和矩阵拼接”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
