快捷導(dǎo)航

numpy中數(shù)組的堆疊方法

更新時間：2023年02月14日 09:28:56 作者：夏日輕風(fēng)有你

本文主要介紹了numpy中數(shù)組的堆疊方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一、環(huán)境

Anaconda 3
Python 3.6
Numpy 1.14.3

二、功能用途及官方說明

1、hstack功能：沿水平方向堆疊數(shù)組（numpy array）
用途舉例：機(jī)器學(xué)習(xí)數(shù)據(jù)集準(zhǔn)備過程中，可以用于將數(shù)據(jù)列與標(biāo)簽列在水平方向上合并，從而得到帶標(biāo)簽的數(shù)據(jù)集
官方說明：https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.hstack.html#numpy.hstack

2、vstack功能：沿垂直方向堆疊數(shù)組（numpy array）
用途舉例：機(jī)器學(xué)習(xí)數(shù)據(jù)集準(zhǔn)備過程中，可以用于將從過個數(shù)據(jù)文件中加載的數(shù)據(jù)行在垂直方向上合并，從而將所有數(shù)據(jù)集整合為一個數(shù)據(jù)集
官方說明：https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.vstack.html

三、實(shí)例

實(shí)例一：使用 np.hstack 將數(shù)據(jù)與標(biāo)簽合并

>>> import numpy as np
# 數(shù)據(jù)準(zhǔn)備
>>> data = [i for i in range(18)]
>>> data_array = np.asarray(data)
>>> data_array = np.asarray(data).reshape([6,3])
>>> data_array.shape
(6, 3)
>>> data_array
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14],
       [15, 16, 17]])
# 標(biāo)簽準(zhǔn)備
>>> label = [0, 1] *3 
>>> label_array = np.asarray(label)
>>> label_array.shape
(6,)
>>> label_array
array([0, 1, 0, 1, 0, 1])
# 在數(shù)據(jù)的右側(cè)水平方向上合并標(biāo)簽
>>> data_label = np.hstack((data_array,label_array))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python3.6/dist-packages/numpy/core/shape_base.py", line 288, in hstack
    return _nx.concatenate(arrs, 1)
ValueError: all the input arrays must have same number of dimensions

直觀上看， np.hstack 只要保證要合并的兩個 numpy 數(shù)組的數(shù)據(jù)行相同，那么兩個 numpy 數(shù)組的列就可以沿著水平方向合并了！這里也是初學(xué)者常遇到個一個問題，仔細(xì)看一下報錯信息就會很容易發(fā)現(xiàn)，問題出在要合并的兩個 numpy 數(shù)組的維度數(shù)量不一致，data_array 的維度是二維（6, 3），而 label_array 的維度是一維（6, ），因此即使兩個 numpy 數(shù)組的行數(shù)一樣，也不能沿水平方向進(jìn)行正常的列堆疊！
正確的方法：

# 在準(zhǔn)備標(biāo)簽時，先將一維的標(biāo)簽 reshape 為二維 numpy 數(shù)組，即 6 行 1 列
>>> label_array = label_array.reshape(-1,1)
>>> data_label = np.hstack((data_array,label_array))
>>> data_label.shape
(6, 4)
>>> data_label
array([[ 0,  1,  2,  0],
       [ 3,  4,  5,  1],
       [ 6,  7,  8,  0],
       [ 9, 10, 11,  1],
       [12, 13, 14,  0],
       [15, 16, 17,  1]])

實(shí)例二：使用 np.vstack 合并兩組數(shù)據(jù)集

# 準(zhǔn)備第一數(shù)據(jù)集
>>> import numpy as np
>>> data1 = np.random.normal(0,1,(2,5))
>>> data1.shape
(2, 5)
>>> data1
array([[-1.49100993,  0.03782522,  0.33961941, -0.64073217,  0.84000297],
       [-1.02662855, -0.91858614, -0.27410549, -0.86956142, -0.44147313]])
# 準(zhǔn)備第二個數(shù)據(jù)集
>>> data2 = np.arange(0,30,2)
>>> data2 = np.arange(0,30,2).reshape([3,5])
>>> data2.shape
(3, 5)
>>> data2
array([[ 0,  2,  4,  6,  8],
       [10, 12, 14, 16, 18],
       [20, 22, 24, 26, 28]])
# 垂直方向堆疊連個數(shù)據(jù)集
>>> data = np.vstack((data1,data2))
>>> data.shape
(5, 5)
>>> data
array([[-1.49100993,  0.03782522,  0.33961941, -0.64073217,  0.84000297],
       [-1.02662855, -0.91858614, -0.27410549, -0.86956142, -0.44147313],
       [ 0.        ,  2.        ,  4.        ,  6.        ,  8.        ],
       [10.        , 12.        , 14.        , 16.        , 18.        ],
       [20.        , 22.        , 24.        , 26.        , 28.        ]])

實(shí)例三：借助列表（list）對多個數(shù)據(jù)集進(jìn)行一次性堆疊合并
可以用于在 for / while 循環(huán)讀取數(shù)據(jù)集時，依次先將數(shù)據(jù)加入到列表（list）中，然后在多個數(shù)據(jù)集一起堆疊合并，而不用在繁瑣地使用兩兩數(shù)據(jù)集堆疊合并的方式了

# 準(zhǔn)備第一個數(shù)據(jù)集
>>> data_v1 = np.random.randint(0,10,(2,5))
>>> data_v1.shape
(2, 5)
>>> data_v1
array([[4, 4, 0, 7, 3],
       [3, 9, 0, 3, 0]])
# 準(zhǔn)備第二個數(shù)據(jù)集
>>> data_v2 = np.ones((3,5))
>>> data_v2.shape
(3, 5)
>>> data_v2
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
# 準(zhǔn)備第三個數(shù)據(jù)集
>>> data_v3 = np.full((2,5),0)
>>> data_v3.shape
(2, 5)
>>> data_v3
array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])
# 定義一個臨時存放多個數(shù)據(jù)集的列表（list），并將所有數(shù)據(jù)集添加到列表中
>>> data_vlist = []
>>> data_vlist.append(data_v1)
>>> data_vlist.append(data_v2)
>>> data_vlist.append(data_v3)
>>> len(data_vlist)
3
>>> data_vlist
[array([[4, 4, 0, 7, 3],
       [3, 9, 0, 3, 0]]), array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]]), array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])]
# 將存放所有數(shù)據(jù)集的列表作為 np.vstack() 的輸入?yún)?shù)，即可一次性合并多個數(shù)據(jù)集
>>> data_vstack = np.vstack(data_vlist)
>>> data_vstack
array([[4., 4., 0., 7., 3.],
       [3., 9., 0., 3., 0.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])
>>> data_vstack.shape
(7, 5)
>>> data_vstack
array([[4., 4., 0., 7., 3.],
       [3., 9., 0., 3., 0.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])
#########################################################

同理，np.hstack 也可以借助列表（list）一次性水平合并多個數(shù)據(jù)列

# 準(zhǔn)備首個數(shù)列
>>> import numpy as np
>>> data_h1 = np.random.randint(0, 10, (3,3))
>>> data_h1.shape
(3, 3)
>>> data_h1 
array([[6, 4, 5],
       [4, 5, 0],
       [7, 1, 9]])
# 準(zhǔn)備第二個數(shù)列
>>> data_h2 = np.zeros((3,2))
>>> data_h2.shape
(3, 2)
>>> data_h2
array([[0., 0.],
       [0., 0.],
       [0., 0.]])
# 準(zhǔn)備第三個數(shù)列
>>> data_h3 = np.ones((3,1), dtype=int)
>>> data_h3.shape
(3, 1)
>>> data_h3
array([[1],
       [1],
       [1]])
# 定義一個臨時存放多個數(shù)據(jù)列的列表（list），并將所有數(shù)據(jù)列添加到列表中
>>> data_hlist = []
>>> data_hlist.append(data_h1)
>>> data_hlist.append(data_h2)
>>> data_hlist.append(data_h3)
>>> len(data_hlist)
3
>>> data_hlist
[array([[6, 4, 5],
       [4, 5, 0],
       [7, 1, 9]]), array([[0., 0.],
       [0., 0.],
       [0., 0.]]), array([[1],
       [1],
       [1]])]
# 將存放所有數(shù)據(jù)列的列表作為 np.hstack() 的輸入?yún)?shù)，即可一次性合并多個數(shù)據(jù)列
>>> data_hstack = np.hstack(data_hlist)
>>> data_hstack.shape
(3, 6)
>>> data_hstack
array([[6., 4., 5., 0., 0., 1.],
       [4., 5., 0., 0., 0., 1.],
       [7., 1., 9., 0., 0., 1.]])

到此這篇關(guān)于numpy中數(shù)組的堆疊方法的文章就介紹到這了,更多相關(guān)numpy 數(shù)組堆疊內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: