今天小编给大家分享一下Python数据分析之堆叠数组函数怎么使用的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
numpy 堆叠数组
在做图像和 nlp 的数组数据处理的时候，经常需要实现两个数组堆叠或者连接的功能，这就需用到
numpy库的一些函数，numpy 库中的常用堆叠数组函数如下：
-
: Join a sequence of arrays along a new axis.stack
-
: Stack arrays in sequence horizontally (column wise).hstack
-
: Stack arrays in sequence vertically (row wise).vstack
-
: Stack arrays in sequence depth wise (along third axis).dstack
-
: Join a sequence of arrays along an existing axis.concatenate
ravel() 函数
ravel() 方法可让将多维数组展平成一维数组。如果不指定任何参数，ravel() 将沿着行（第 0 维/轴）展平/拉平输入数组。
示例代码如下:
std_array = np.random.normal(3, 2.5, size=(2, 4))
array1d = std_array.ravel()
print(std_array)
print(array1d)程序输出结果如下：
[[5.68301857 2.09696067 2.20833423 2.83964393]
[2.38957339 9.66254303 1.58419716 2.82531094]]
[5.68301857 2.09696067 2.20833423 2.83964393 2.38957339 9.66254303 1.58419716 2.82531094]
stack() 函数
stack() 函数原型是 stack(arrays, axis=0, out=None)，功能是沿着给定轴连接数组序列，轴默认为第０维。
1，参数解析：
-
arrays: 类似数组（数组、列表）的序列，这里的每个数组必须有相同的shape。
-
axis: 默认为整形数据，axis决定了沿着哪个维度stack输入数组。
2，返回：
-
stacked :
类型。The stacked array has one more dimension than the input arrays.ndarray
实例如下：
import numpy as np
# 一维数组进行stack
a1 = np.array([1, 3, 4]) # shape (3,)
b1 = np.array([4, 6, 7]) # shape (3,)
c1 = np.stack((a,b))
print(c1)
print(c1.shape) # (2,3)
# 二维数组进行堆叠
a2 = np.array([[1, 3, 5], [5, 6, 9]]) # shape (2,3)
b2 = np.array([[1, 3, 5], [5, 6, 9]]) # shape (2,3)
c2 = np.stack((a2, b2), axis=0)
print(c2)
print(c2.shape)输出为：
[[1 3 4] [4 6 7]]
(2, 3)
[[[1 3 5] [5 6 9]] [[1 3 5] [5 6 9]]] (2, 2, 3)
可以看到，进行 stack 的两个数组必须有相同的形状，同时，输出的结果的维度是比输入的数组都要多一维的。我们拿第一个例子来举例，两个含 3 个数的一维数组在第 0 维进行堆叠，其过程等价于先给两个数组增加一个第0维，变为1*3的数组，再在第 0 维进行
concatenate()操作：
a = np.array([1, 3, 4])
b = np.array([4, 6, 7])
a = a[np.newaxis,:]
b = b[np.newaxis,:]
np.concatenate([a,b],axis=0)输出为：
array([[1, 2, 3], [2, 3, 4]])
vstack()函数
vstack函数原型是vstack(tup)，功能是垂直的（按照行顺序）堆叠序列中的数组。tup是数组序列(元组、列表、数组)，数组必须在所有轴上具有相同的shape，除了第一个轴。1-D arrays must have the same length.
# 一维数组
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.vstack((a,b))array([[1, 2, 3], [2, 3, 4]])
# 二维数组
a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.vstack((a,b))array([[1], [2], [3], [2], [3], [4]])
hstack()函数
hstack()的函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它其实就是**水平(按列顺序)**把数组给堆叠起来，与vstack()函数正好相反。举几个简单的例子：
# 一维数组
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
np.hstack((a,b))array([1, 2, 3, 2, 3, 4])
# 二维数组
a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.hstack((a,b))array([[1, 2], [2, 3], [3, 4]])
vstack()和hstack函数对比：
这里的v是vertically的缩写，代表垂直（沿着行）堆叠数组，这里的h是horizontally的缩写，代表水平（沿着列）堆叠数组。 tup是数组序列(元组、列表、数组)，数组必须在所有轴上具有相同的shape，除了第一个轴。
concatenate() 函数
concatenate()函数功能齐全，理论上可以实现上面三个函数的功能，concatenate()函数根据指定的维度，对一个元组、列表中的list或者ndarray进行连接，函数原型：
numpy.concatenate((a1, a2, ...), axis=0)a = np.array([[1, 2], [3，4]])
b = np.array([[5, 6], [7, 8]])
# a、b的shape为（2,2），连接第一维就变成（4,2），连接第二维就变成（2,4）
np.concatenate((a, b), axis=0)array([[1, 2], [3, 4], [5, 6], [7, 8]])
注意：axis指定的维度（即拼接的维度）可以是不同的，但是axis之外的维度（其他维度）的长度必须是相同的。注意 concatenate 函数使用最广，必须在项目中熟练掌握。