Skip to content

NumPy Concatenate：使用 np.concatenate、vstack 和 hstack 连接数组

Soren Atelier
Name
Soren Atelier

Updated on

合并数组是数值计算中最常见的操作之一。你将数据分割进行处理，然后需要重新组合。你从多个来源将特征加载到一个矩阵中。你堆叠多个模型的预测以进行集成。使用 Python 列表通过循环或 + 来合并数组会破坏性能并产生不必要的副本。

NumPy 提供了专门的数组连接函数，这些函数以 C 语言的速度运行，并让你精确控制沿哪个轴进行连接。本指南涵盖了 np.concatenate()、np.vstack()、np.hstack()、np.stack() 及其使用场景。

📚

    np.concatenate() -- 核心函数

    np.concatenate() 沿现有轴连接一系列数组。

    一维数组

    import numpy as np
 
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.array([7, 8, 9])
 
result = np.concatenate([a, b, c])
print(result)  # [1 2 3 4 5 6 7 8 9]
print(result.shape)  # (9,)

    沿行方向的二维数组（axis=0）

    import numpy as np
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
 
# 垂直堆叠（添加行）
result = np.concatenate([a, b], axis=0)
print(result)
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]
print(result.shape)  # (4, 2)

    沿列方向的二维数组（axis=1）

    import numpy as np
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
 
# 水平堆叠（添加列）
result = np.concatenate([a, b], axis=1)
print(result)
# [[1 2 5 6]
#  [3 4 7 8]]
print(result.shape)  # (2, 4)

    Shape 要求

    所有数组除了连接轴外必须具有相同的形状。

    import numpy as np
 
a = np.ones((3, 4))    # 3 行，4 列
b = np.zeros((2, 4))   # 2 行，4 列
 
# 正确：不同的行数，相同的列数，axis=0
result = np.concatenate([a, b], axis=0)
print(result.shape)  # (5, 4)
 
# 错误：不同的列数
c = np.ones((3, 5))
# np.concatenate([a, c], axis=0)  # ValueError: dimensions don't match

    np.vstack() -- 垂直堆叠

    np.vstack() 垂直堆叠数组（沿轴 0）。等同于 np.concatenate(arrays, axis=0)，但也能处理一维数组，将其视为单独的行。

    import numpy as np
 
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
 
# vstack 将一维数组视为行
result = np.vstack([a, b])
print(result)
# [[1 2 3]
#  [4 5 6]]
print(result.shape)  # (2, 3)
 
# 对于二维数组
c = np.array([[1, 2], [3, 4]])
d = np.array([[5, 6]])
result = np.vstack([c, d])
print(result)
# [[1 2]
#  [3 4]
#  [5 6]]

    np.hstack() -- 水平堆叠

    np.hstack() 水平堆叠数组（二维沿轴 1，一维沿轴 0）。

    import numpy as np
 
# 一维数组：像 np.concatenate 一样连接
a = np.array([1, 2, 3])
b = np.array([4, 5])
result = np.hstack([a, b])
print(result)  # [1 2 3 4 5]
 
# 二维数组：添加列
c = np.array([[1], [2], [3]])
d = np.array([[4], [5], [6]])
result = np.hstack([c, d])
print(result)
# [[1 4]
#  [2 5]
#  [3 6]]

    np.stack() -- 创建新轴

    与 concatenate 不同，stack 沿新轴连接数组，将维度数增加 1。

    import numpy as np
 
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
 
# 沿新的轴 0 堆叠（默认）
result = np.stack([a, b])
print(result)
# [[1 2 3]
#  [4 5 6]]
print(result.shape)  # (2, 3)
 
# 沿新的轴 1 堆叠
result = np.stack([a, b], axis=1)
print(result)
# [[1 4]
#  [2 5]
#  [3 6]]
print(result.shape)  # (3, 2)

    np.stack() 要求所有输入数组具有相同的形状。

    函数比较

    函数轴创建新轴？一维输入处理
    np.concatenate现有（默认 0）否原样连接
    np.vstack0（垂直）否将一维视为行
    np.hstack1（水平）否连接一维数组
    np.stack新轴是（+1 维度）创建新维度
    np.column_stack1否将一维视为列
    np.row_stack0否与 vstack 相同

    实用示例

    为机器学习组合特征

    import numpy as np
 
# 来自不同来源的特征数组
ages = np.array([25, 30, 35, 40])
incomes = np.array([50000, 60000, 75000, 90000])
scores = np.array([720, 680, 750, 800])
 
# 按列堆叠以创建特征矩阵
X = np.column_stack([ages, incomes, scores])
print(X)
# [[   25 50000   720]
#  [   30 60000   680]
#  [   35 75000   750]
#  [   40 90000   800]]
print(X.shape)  # (4, 3)

    批处理结果

    import numpy as np
 
# 分批处理数据，合并结果
results = []
for batch_start in range(0, 100, 25):
    batch = np.random.randn(25, 10)  # 25 个样本，10 个特征
    processed = batch * 2 + 1  # 一些处理
    results.append(processed)
 
# 垂直合并所有批次
all_results = np.vstack(results)
print(all_results.shape)  # (100, 10)

    图像处理 -- 合并通道

    import numpy as np
 
height, width = 100, 100
 
# 分离的颜色通道
red = np.random.randint(0, 256, (height, width))
green = np.random.randint(0, 256, (height, width))
blue = np.random.randint(0, 256, (height, width))
 
# 合并为 RGB 图像
rgb_image = np.stack([red, green, blue], axis=2)
print(rgb_image.shape)  # (100, 100, 3)

    可视化合并数据

    连接来自不同来源的数组后，PyGWalker (opens in a new tab) 让你在 Jupyter 中交互式地探索合并后的数据集：

    import pandas as pd
import pygwalker as pyg
 
# 将连接后的数组转换为 DataFrame
df = pd.DataFrame(X, columns=['age', 'income', 'score'])
walker = pyg.walk(df)

    常见问题

    np.concatenate 和 np.stack 有什么区别？

    np.concatenate 沿现有轴连接数组而不改变维度数。np.stack 沿新轴连接数组，增加一个维度。例如，用 concatenate 堆叠两个 (3,) 数组得到 (6,)，而 stack 得到 (2, 3)。

    np.concatenate 中的 axis 是什么意思？

    axis 参数指定沿哪个维度连接。axis=0 沿行连接（添加更多行），axis=1 沿列连接（添加更多列）。对于二维数组，axis=0 是垂直堆叠，axis=1 是水平堆叠。

    什么时候应该使用 vstack、hstack 还是 concatenate？

    使用 vstack 添加行（垂直堆叠），hstack 添加列（水平堆叠），当需要指定任意轴时使用 concatenate。vstack 和 hstack 是便捷函数，比 concatenate 更直观地处理一维数组。

    为什么连接数组时会出现 ValueError？

    所有数组除了连接轴外必须具有相同的形状。如果沿 axis=0 连接，所有数组必须具有相同的列数。连接前使用 array.shape 检查形状。

    如何连接不同维度的数组？

    首先将数组重塑为兼容的维度。使用 np.expand_dims(array, axis) 添加一个维度，或使用 array.reshape(new_shape)。例如，要将一维数组与二维数组进行 vstack，重塑一维数组：array.reshape(1, -1)。

    总结

    NumPy 提供了完整的数组连接工具包：np.concatenate() 用于沿任意轴的通用连接，np.vstack()/np.hstack() 用于直观的垂直/水平堆叠，np.stack() 用于需要创建新维度的场景。记住 concatenate 沿现有轴连接而 stack 创建新轴。仔细匹配维度，在常见的行/列操作中使用 vstack/hstack 以获得最易读的代码。

    📚