遇到這樣一個(gè)需求：程序中每次循環(huán)生成一個(gè)二維array，需要把每次循環(huán)的二維array疊加成一個(gè)三維的array，例如有如下兩個(gè)矩陣：

組合成以下這種形式：

這樣組合之后，有一個(gè)非常大的優(yōu)點(diǎn)就是：保持原有的二維array的形式不變，便于以后取出，比如說(shuō)我想從C中取出A，只需要執(zhí)行：A=C[0,:]即可。

但是百度之后發(fā)現(xiàn)，在python中，numpy函數(shù)包中并沒(méi)有對(duì)應(yīng)的函數(shù)來(lái)實(shí)現(xiàn)三維array中不斷添加二維array（有知道這個(gè)函數(shù)的歡迎在評(píng)論區(qū)告訴我）

這里，提供兩種“曲線救國(guó)”的解決方案：

方法一：

對(duì)于兩個(gè)（或者多個(gè)）同一維度的矩陣，直接利用np.array()重新構(gòu)造一個(gè)array,這樣可以變相起到擴(kuò)展維數(shù)的作用。例如：

import numpy as np

a = np.array([[1,2,3],[4,5,6]])
b = np.array([[2,2,3],[4,5,6]])
c = np.array([[3,2,3],[4,5,6]])
print('矩陣a：\n',a)
print('維數(shù)：',a.shape)

com = np.array([a,b,c])
print('合并矩陣：\n',com)
print('維數(shù)：',com.shape)

輸出結(jié)果為：

矩陣a：

 [[1 2 3]
 [4 5 6]]

維數(shù)： (2, 3)

合并矩陣：

 [[[1 2 3]
 [4 5 6]]

 [[2 2 3]
 [4 5 6]]

 [[3 2 3]
 [4 5 6]]]

維數(shù)： (3, 2, 3)

方法二：

但是，如果兩個(gè)array，使用方法一時(shí)會(huì)出現(xiàn)如下結(jié)果：

import numpy as np

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])

com = np.array([aa,a])
print('合并矩陣：\n',com)
print('維數(shù)：',com.shape)

輸出結(jié)果：

合并矩陣：

 [array([[[1, 2, 3],
    [4, 5, 6]],

    [[2, 2, 3],
    [4, 5, 6]],

    [[3, 2, 3],
    [4, 5, 6]]])
 array([[4, 2, 3],
    [4, 5, 6]])]
維數(shù)： (2,)

可以看到：輸出的維數(shù)不對(duì)，以上方法就不適用了。

那么，我們就需要利用np.append和array.reshape()函數(shù)對(duì)數(shù)組進(jìn)行拼接之后重組，具體實(shí)現(xiàn)如下：

import numpy as np

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
data = np.append(aa,a)#先拼接成一個(gè)行向量
print(data)

dim = aa.shape#獲取原矩陣的維數(shù)
print('原矩陣維數(shù)：',dim)
data1 = data.reshape(dim[0]+1,dim[1],dim[2])#再通過(guò)原矩陣的維數(shù)重新組合

print('合并矩陣：\n',data1)
print('維數(shù)：',data1.shape)

輸出結(jié)果：

方法三：

相比于前兩種方法，這種方法可謂“曲線救國(guó)”之典范，具體思路是：先轉(zhuǎn)化成list，拼接后再轉(zhuǎn)化回去。

這是因?yàn)閘ist中的append()函數(shù)可以在添加函數(shù)的時(shí)候不改變?cè)瓉?lái)list的維度。雖然沒(méi)有對(duì)這種方法進(jìn)行一個(gè)速度測(cè)試，但直覺(jué)來(lái)看時(shí)間復(fù)雜度挺高的，建議慎用。

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])

#將array轉(zhuǎn)換成list
aa = aa.tolist(aa)
a = a.tolist(a)

aa.append(a)#注意與方法二中np.append()用法的區(qū)別
com = np.array(aa)
print(com.shape)

輸出結(jié)果：

合并矩陣：
   [[[1 2 3]
    [4 5 6]]

    [[2 2 3]
    [4 5 6]]

    [[3 2 3]
    [4 5 6]]
    
    [[4 2 3]
    [4, 5, 6]]]
維數(shù)： (4,2,3)

這里注意：

兩種類型的相互轉(zhuǎn)換函數(shù)：

array轉(zhuǎn)list：a = a.tolist()

list轉(zhuǎn)array：a =np.array(a)

這里需要注意：A.tolist 和 list(A) 外表看，都是把一個(gè)array轉(zhuǎn)換成list，但是兩者還是有一些區(qū)別的?？聪逻呥@個(gè)例子：

A = np.reshape(np.arange(6),(3,2)) #生成一個(gè)3行2列的array
print（"數(shù)組A：",A）
print('A.tolist():',A.tolist())
print('list(A): ',list(A))

結(jié)果如下：

數(shù)組A：

array([[0, 1],
    [2, 3],
    [4, 5]])

A.tolist(): [[0, 1], [2, 3], [4, 5]]

list(A): [array([0, 1]), array([2, 3]), array([4, 5])]

可以看到：list(A)只是把最外層的array變成了list，但是里邊的每個(gè)向量都還是array類型。

最后吐槽一句，其實(shí)numpy包中對(duì)于一位數(shù)組和二維數(shù)組的拼接，可選函數(shù)很多，但是唯獨(dú)沒(méi)有考慮更高維數(shù)組的拼接。甚至連重寫的append函數(shù)都沒(méi)有原來(lái)的好用，真是青出于藍(lán)而敗于藍(lán)啊，痛心。強(qiáng)烈建議numpy包在未來(lái)的更新中盡快解決這個(gè)問(wèn)題。

在深度學(xué)習(xí)中，也有類似于這樣的需求，比如用圖片來(lái)訓(xùn)練模型時(shí)，彩色圖片就是一個(gè)個(gè)三維數(shù)組，需要把一批圖片都送到網(wǎng)絡(luò)中就需要把多個(gè)三維矩陣疊加。

tensorflow貌似提供了這樣的函數(shù)，在搭建深度學(xué)習(xí)框架時(shí)可以直接使用，以后有機(jī)會(huì)繼續(xù)擴(kuò)展。

擴(kuò)展閱讀：

最后，附幾個(gè)二維array中，添加一行或者一列元素的函數(shù)：

1 . np.append(a,b,axis=數(shù)字)

其中：

沒(méi)有axis屬性：把所有元素展開

axis = 0：添加添加n行

axis = 1：添加n列

口訣：0行1列，適用于所有的numpy函數(shù)的axis屬性。

2.增加一行或者一列。

b = np.row_stack((a, 行元素))# 添加行
c = np.column_stack((a, 列元素)) #添加列

以上這篇python實(shí)現(xiàn)把兩個(gè)二維array疊加成三維array示例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論