python numpy--数组的组合和分割实例

数组的组合主要有：

1.水平组合：np.hstack(arr1,arr2) 或 concatenate(arr1,arr2,axis=1)
2.垂直组合：np.vstack(arr1,arr2) 或 concatenate(arr1,arr2,axis=0)
3.深度组合：np.dstack(arr1,arr2)
4.列组合：np.column_stack(arr1,arr2)
5.行组合：np.row_stack(arr1,arr2)

数组的分割主要有：

1.水平分割：np.split(arr,n,axis=1) 或 np.hsplit(arr,n)
2.垂直分割：np.split(arr,n,axis=0) 或 np.vsplit(arr,n)
3.深度分割：np.dsplit(arr,n)

接下来一一举例

一、数组的组合

1.水平组合

语法：

np.hstack(arr1,arr2)
concatenate(arr1,arr2,axis=1)

水平方向上直接拼接起来

# 准备两个数组
m=np.arange(9).reshape(3,3)
doubleM=m*2

m:

doubleM:

#hstack()
np.hstack((m,doubleM)) 
# concatenate()
np.concatenate((m,doubleM),axis=1)

2.垂直组合

语法：

np.vstack(arr1,arr2)
concatenate(arr1,arr2,axis=0)

将第二个数组拼接在第一个数组的垂直方向上。

还是用刚刚的m 和doubleM这两个数组。

# vstack()
np.vstack((m,doubleM))
# concatenate()
np.concatenate((m,doubleM),axis=0)

3.深度组合

语法：np.dstack(arr1,arr2)

就是将一系列数组沿着纵轴（深度）方向进行层叠组合。

还是用刚刚的m和doubleM两个数组。

np.dstack((m,doubleM))

注意:

（1）新的数据的维度是原数据行列以及个数相关。

（2）维度不同的两个数组不能进行组合

4.列组合

语法：np.column_stack(arr1,arr2)

column_stack函数对于一维数组是深度组合；

对多维数组就是与hstack的效果一样，直接水平方向拼接起来

(1) 两个一维数组进行列组合

m1=np.arange(3)
print(m1)
np.column_stack((m1,m1*2))

[0 1 2]

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

（2）一维数组与多维数组进行组合

将一维数组的每一个数字分配到多维数组的每一列中去，因此，一维数组的数字个数一定要与多维数组的行相同才能够进行组合。

m1：[0 1 2]

m:

np.column_stack((m1,m))

（3）多维数组与多维数组进行列组合

可以看出来是直接进行水平方向的组合的

np.column_stack((m,doubleM))

5.行组合

语法：np.row_stack(arr1,arr2)

对于一维数组来说，无论几个一维数组，直接叠起来组成二维数组；

对于多维数组来说，就是垂直方向上的组合（vstack）

(1)两个一维数组进行行组合

np.row_stack((m,doubleM))

（2）多维数组进行行组合

注意一定要相同维度的多维数组才能进行行组合！！！

二、数组的分割

1.水平分割

是在水平方向上进行分割，所以是竖着划一刀的。

语法：

np.split(arr,n,axis=1)
np.hsplit()

arr1=np.arange(16).reshape(4,4)
print(arr1)
np.split(arr1,2,axis=1)
# np.hsplit(arr1,2)

注意：分割的分数要可以整出的才行

2.垂直分割

沿着垂直方向上进行分割，因此是分出来是行

语法：

np.split(arr,n,axis=0)
np.vsplit(arr)

arr=np.arange(9).reshape(3,3)
arr

np.split(arr,3,axis=0)
np.vsplit(arr,3)

3.深度分割

注意：深度分割只能分割3个维度以上的

语法：语法：dsplit(arr,n)

arr1=np.arange(8).reshape(2,2,2)
arr1

np.dsplit(arr1,2)

以上这篇python numpy--数组的组合和分割实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持小牛知识库。