Python numpy函数hstack() vstack() stack() dstack() vsplit() concatenate()

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：

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

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]])

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：

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

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. >>> a = np.array([[1],[2],[3]])
9. >>> b = np.array([[2],[3],[4]])
10. >>> np.dstack((a,b))
11. array([[[1, 2]],
12. [[2, 3]],
13. [[3, 4]]])

五、numpy.concatenate()函数

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

程序实例：

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

六、numpy.vsplit()函数

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

程序实例：

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. With a higher dimensional array the split is still along the first axis.
19. >>>
20. >>> x = np.arange(8.0).reshape(2, 2, 2)
21. >>> x
22. array([[[ 0.,  1.],
23. [ 2.,  3.]],
24. [[ 4.,  5.],
25. [ 6.,  7.]]])
26. >>> np.vsplit(x, 2)
27. [array([[[ 0.,  1.],
28. [ 2.,  3.]]]),
29. array([[[ 4.,  5.],
30. [ 6.,  7.]]])]

参考：

numpy中的部分源码