Python NumPy数组堆叠与组合
Python NumPy数组堆叠与组合
更多Python学习内容：ipengtao.com
在科学计算和数据处理过程中，数组的组合和堆叠是一个常见的操作。NumPy 提供了多种方法来处理数组的堆叠和组合，例如水平堆叠、垂直堆叠、深度堆叠以及基于指定轴的拼接。通过这些方法，可以轻松地对数组进行复杂的数据操作，从而满足不同场景的需求。
NumPy 数组堆叠与组合概述
在 NumPy 中，数组堆叠和组合主要包括以下几类操作：
- 水平堆叠（Horizontal Stacking）：沿水平方向将数组进行拼接。
- 垂直堆叠（Vertical Stacking）：沿垂直方向将数组进行拼接。
- 深度堆叠（Depth Stacking）：沿深度方向（新增轴）堆叠数组。
- 沿指定轴拼接：通过
concatenate方法实现更灵活的拼接。 - 块组合（Block Combination）：通过
block方法实现复杂的组合结构。
水平堆叠
水平堆叠是指沿数组的列方向（轴 1）将多个数组拼接在一起。NumPy 提供了 hstack 函数用于实现水平堆叠。
import numpy as np
# 创建两个数组
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
# 水平堆叠
result = np.hstack((arr1, arr2))
print("水平堆叠结果：\n", result)
输出：
水平堆叠结果：
[[1 2 5 6]
[3 4 7 8]]
注意，进行水平堆叠时，数组的行数必须一致。
垂直堆叠
垂直堆叠是指沿数组的行方向（轴 0）将多个数组拼接在一起。NumPy 提供了 vstack 函数用于实现垂直堆叠。
# 垂直堆叠
result = np.vstack((arr1, arr2))
print("垂直堆叠结果：\n", result)
输出：
垂直堆叠结果：
[[1 2]
[3 4]
[5 6]
[7 8]]
在垂直堆叠中，数组的列数必须一致。
深度堆叠
深度堆叠是指沿着数组的深度方向（新增轴）堆叠数组。NumPy 提供了 dstack 函数用于实现深度堆叠。
# 深度堆叠
result = np.dstack((arr1, arr2))
print("深度堆叠结果：\n", result)
输出：
深度堆叠结果：
[[[1 5]
[2 6]]
[[3 7]
[4 8]]]
深度堆叠会在数组的第三个维度上增加一个新轴，将每个数组的对应元素合并到一起。
沿指定轴拼接
使用 concatenate 方法，可以在任意轴上拼接数组。该方法更加灵活，但要求所有数组在非拼接轴上的尺寸必须一致。
# 沿轴 0 拼接
result_axis0 = np.concatenate((arr1, arr2), axis=0)
print("沿轴 0 拼接结果：\n", result_axis0)
# 沿轴 1 拼接
result_axis1 = np.concatenate((arr1, arr2), axis=1)
print("沿轴 1 拼接结果：\n", result_axis1)
输出：
沿轴 0 拼接结果：
[[1 2]
[3 4]
[5 6]
[7 8]]
沿轴 1 拼接结果：
[[1 2 5 6]
[3 4 7 8]]
块组合
block 方法可以以块的形式组合数组，用于生成复杂的数组结构。
# 块组合
result = np.block([
[arr1, arr2],
[arr2, arr1]
])
print("块组合结果：\n", result)
输出：
块组合结果：
[[1 2 5 6]
[3 4 7 8]
[5 6 1 2]
[7 8 3 4]]
通过 block 方法，可以轻松实现多层次的数组组合操作。
分割与拆分
除了堆叠和组合，NumPy 还提供了将数组分割为多个子数组的功能。常用方法包括 split、hsplit 和 vsplit。
# 创建一个数组
arr = np.arange(16).reshape(4, 4)
# 垂直分割为 2 个子数组
v_split = np.vsplit(arr, 2)
print("垂直分割结果：", v_split)
# 水平分割为 2 个子数组
h_split = np.hsplit(arr, 2)
print("水平分割结果：", h_split)
输出：
垂直分割结果： [array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
水平分割结果： [array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]), array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]
实际案例：数据批量处理
在机器学习和数据分析中，经常需要将大数组分割为多个小批次进行处理。
以下是一个示例：
# 模拟一个大数据集
data = np.random.rand(100, 10)
# 将数据分成 10 个批次
batches = np.array_split(data, 10)
# 打印每个批次的形状
for i, batch in enumerate(batches):
print(f"批次 {i+1} 的形状：", batch.shape)
输出：
批次 1 的形状： (10, 10)
批次 2 的形状： (10, 10)
...
批次 10 的形状： (10, 10)
通过分割数据，可以高效处理大规模任务。
总结
NumPy 提供了丰富的数组堆叠与组合方法，包括水平堆叠、垂直堆叠、深度堆叠和基于轴的拼接，同时支持块组合和数组分割操作。通过灵活应用这些方法，可以高效地对数组进行各种结构调整。在实际工作中，无论是处理复杂的数据结构还是实现批量处理，这些方法都能显著简化操作流程并提升工作效率。
腾讯云开发者
