9.1 数组的合并 (Concatenation)

9.1 数组的合并 (Concatenation)

9.1 NumPy 数组的合并 (Concatenation)

在数据分析和科学计算中，经常需要将多个数组组合成一个更大的数组。NumPy 提供了多种方法来实现数组的合并，其中 np.concatenate 函数是最通用和灵活的方法之一。 本节将深入探讨 np.concatenate 函数，包括其语法、参数、用法示例以及一些需要注意的事项。

9.1.1 np.concatenate 函数

np.concatenate 函数用于沿指定的轴连接一系列数组。其基本语法如下：

numpy.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting="same_kind")
​

参数说明：

• (a1, a2, ...): 要连接的数组序列。这些数组必须具有相同的形状，除了连接轴之外。

• axis: 指定连接的轴。默认值为 0，表示沿第一个轴（行）连接。

  • axis=0: 沿行连接 (垂直方向)

  • axis=1: 沿列连接 (水平方向)

  • axis=None: 将数组展平为一维数组后连接

• out: 可选参数，用于指定结果数组。如果提供，则结果将写入此数组。

• dtype: 可选参数，用于指定结果数组的数据类型。如果未提供，则数据类型将从输入数组推断。

• casting: 控制可以发生的数据转换类型。'no' 表示根本不应进行转换。'equiv' 表示仅允许字节顺序更改。'safe' 表示仅允许安全转换。'same_kind' 表示仅允许安全转换或同一类别的转换。'unsafe' 表示可以进行任何转换。

返回值：

连接后的数组。

9.1.2 基本用法示例

1. 沿行连接 (axis=0):

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=0)
print(c)
​

输出：

[[1 2]
 [3 4]
 [5 6]
 [7 8]]
​

图示：

2. 沿列连接 (axis=1):

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=1)
print(c)
​

输出：

[[1 2 5 6]
 [3 4 7 8]]
​

图示：

3. 连接多个数组:

import numpy as np
a = np.array([1, 2])
b = np.array([3, 4])
c = np.array([5, 6])
d = np.concatenate((a, b, c))
print(d)
​

输出：

[1 2 3 4 5 6]
​

4. 将数组展平后连接 (axis=None):

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=None)
print(c)
​

输出：

[1 2 3 4 5 6 7 8]
​

9.1.3 注意事项

• 形状兼容性： 要连接的数组必须在除了连接轴之外的所有轴上具有相同的形状。例如，如果 axis=0，则所有数组的列数必须相同。如果 axis=1，则所有数组的行数必须相同。

• 数据类型： 如果输入数组具有不同的数据类型，则结果数组的数据类型将是能够表示所有输入数组数据类型的最通用的数据类型。可以使用 dtype 参数显式指定结果数组的数据类型。

• 内存分配： np.concatenate 会创建一个新的数组来存储结果。如果需要避免额外的内存分配，可以考虑使用 np.vstack、np.hstack 或 np.concatenate 的 out 参数。

• 维度： np.concatenate可以用于连接任意维度的数组。

9.1.4 与其他函数的比较

NumPy 提供了其他一些函数来连接数组，例如 np.vstack、np.hstack 和 np.stack。

• np.vstack(tup) (Vertical Stack): 等价于 np.concatenate(tup, axis=0)，用于垂直堆叠数组（按行连接）。

• np.hstack(tup) (Horizontal Stack): 等价于 np.concatenate(tup, axis=1)，用于水平堆叠数组（按列连接）。

• np.stack(arrays, axis=0): 沿新轴连接数组。这意味着它会在指定的轴上创建一个新的维度，并将数组堆叠在该维度上。

虽然 np.vstack 和 np.hstack 更方便用于特定的垂直和水平连接场景，但 np.concatenate 更加通用，因为它允许您指定任意连接轴。 np.stack 则用于创建新的维度。

9.1.5 实际应用案例

1. 合并不同来源的数据：

假设您从不同的文件读取了数据，并将它们存储在 NumPy 数组中。您可以使用 np.concatenate 将这些数组合并成一个更大的数据集进行分析。

import numpy as np
# 假设 data1 和 data2 是从不同文件读取的 NumPy 数组
data1 = np.array([[1, 2, 3], [4, 5, 6]])
data2 = np.array([[7, 8, 9], [10, 11, 12]])
combined_data = np.concatenate((data1, data2), axis=0)
print(combined_data)
​

2. 构建时间序列数据：

在处理时间序列数据时，您可能需要将来自不同时间段的数据合并成一个连续的时间序列。

import numpy as np
# 假设 time_series_1 和 time_series_2 是两个时间段的时间序列数据
time_series_1 = np.array([10, 12, 15])
time_series_2 = np.array([18, 20, 22])
full_time_series = np.concatenate((time_series_1, time_series_2))
print(full_time_series)
​

3. 图像处理：

在图像处理中，可以使用 np.concatenate 将多个图像拼接在一起，例如将小图像拼接成一个大的全景图像。

import numpy as np
# 假设 image1 和 image2 是两个 NumPy 数组表示的图像
image1 = np.random.randint(0, 256, size=(100, 100, 3), dtype=np.uint8)  # 示例图像
image2 = np.random.randint(0, 256, size=(100, 100, 3), dtype=np.uint8)  # 示例图像
# 水平拼接图像
horizontal_concat = np.concatenate((image1, image2), axis=1)
# 可以使用 matplotlib 显示图像
# import matplotlib.pyplot as plt
# plt.imshow(horizontal_concat)
# plt.show()
​

9.1.6 总结

np.concatenate 是 NumPy 中一个强大而灵活的数组合并函数。 掌握其用法对于进行有效的数据处理和分析至关重要。 通过理解其参数、注意事项以及与其他函数的比较，您可以选择最适合您需求的数组合并方法。 在实际应用中，请务必注意数组的形状兼容性和数据类型，以避免出现错误。 结合其他 NumPy 函数，np.concatenate 可以帮助您构建复杂的数据处理流程。