numpy中的数组连接算法

我是numpy新手，我了解以较低的形状（n1，n2）连接阵列的方法，因为我们可以像矩阵一样可视化

但是我不理解更高维度的逻辑（n0，…，n_{d-1}），当然我无法想象。为了可视化，我通常将一个多维数组想象成一棵树，所以（n0，…，n{d-1}）意味着在树的级别（轴）I，每个节点都有n{I}个子节点。所以在0级（根），我们有n0子级，以此类推

实质上，“连接数组”算法的形式确切定义是什么

---

让我们看看，我可以演示一些基本的数组操作

首先制作一个二维数组。从一个1d[0,1，…5]开始，然后将其重塑为（2,3）：

我可以沿着第一个维度加入两份

x

（

vstack

，垂直方向的v也可以这样做）：

注意，结果是（4,3）；没有新的维度

或者“水平”加入他们：

In [4]: np.concatenate([x,x], axis=1)
Out[4]: 
array([[0, 1, 2, 0, 1, 2],        # (2,6) shape
       [3, 4, 5, 3, 4, 5]])

但如果我将它们提供给

np.array

我会制作一个3d数组（2,2,3）形状：

np.array

的这个动作实际上与从嵌套列表中生成2d数组没有什么不同，

np.array（[[1,2]，[3,4]]）

。我们可以只添加一层嵌套，就像没有换行符的Out[5}。我倾向于认为这个3d数组有2个块，每个块有2行3列。但是名称只是为了方便

stack

的作用类似于

np.array

，形成一个3d数组。它实际上将输入数组更改为（1,2,3）形状，并在第一个轴上连接

In [6]: np.stack([x,x])
Out[6]: 
array([[[0, 1, 2],
        [3, 4, 5]],

       [[0, 1, 2],
        [3, 4, 5]]])

stack
允许我们以其他方式加入阵列

In [7]: np.stack([x,x], axis=1)      # expand to (2,1,3) and concatante
Out[7]: 
array([[[0, 1, 2],
        [0, 1, 2]],

       [[3, 4, 5],
        [3, 4, 5]]])
In [8]: np.stack([x,x], axis=2)       # expand to (2,3,1) and concatenate
Out[8]: 
array([[[0, 0],
        [1, 1],
        [2, 2]],

       [[3, 3],
        [4, 4],
        [5, 5]]])

串联
和其他
堆栈
函数不向基本numpy数组添加任何新内容。它们只是提供了一种从现有数组生成新数组的方法。没有任何特殊的
算法

如果有帮助，您可以将这些连接函数想象为创建一个新的“空白”数组，并用源数组的副本填充它。例如，最后一个
堆栈
可以通过以下方法完成：

In [9]: res = np.zeros((2,3,2), int)
In [10]: res
Out[10]: 
array([[[0, 0],
        [0, 0],
        [0, 0]],

       [[0, 0],
        [0, 0],
        [0, 0]]])
In [11]: res[:,:,0] = x
In [12]: res[:,:,1] = x
In [13]: res
Out[13]: 
array([[[0, 0],
        [1, 1],
        [2, 2]],

       [[3, 3],
        [4, 4],
        [5, 5]]])

“连接数组”的参考是什么？这不是
numpy
文档所说的。我指的是：好的，这澄清了你的问题。基本操作是
concatenate
，它从数组列表中创建一个新数组。它不会更改维度的数量。其他函数会调整va中的维度调用
concatenate
之前，如果您首先了解多维数组的基本知识，可能会有所帮助。连接函数不会创建任何新的或不同的内容。在低维情况下，1D、2D、3D是清晰的，但在更高维情况下，如何解释或可视化连接？
In [6]: np.stack([x,x])
Out[6]: 
array([[[0, 1, 2],
        [3, 4, 5]],

       [[0, 1, 2],
        [3, 4, 5]]])

In [7]: np.stack([x,x], axis=1)      # expand to (2,1,3) and concatante
Out[7]: 
array([[[0, 1, 2],
        [0, 1, 2]],

       [[3, 4, 5],
        [3, 4, 5]]])
In [8]: np.stack([x,x], axis=2)       # expand to (2,3,1) and concatenate
Out[8]: 
array([[[0, 0],
        [1, 1],
        [2, 2]],

       [[3, 3],
        [4, 4],
        [5, 5]]])

In [9]: res = np.zeros((2,3,2), int)
In [10]: res
Out[10]: 
array([[[0, 0],
        [0, 0],
        [0, 0]],

       [[0, 0],
        [0, 0],
        [0, 0]]])
In [11]: res[:,:,0] = x
In [12]: res[:,:,1] = x
In [13]: res
Out[13]: 
array([[[0, 0],
        [1, 1],
        [2, 2]],

       [[3, 3],
        [4, 4],
        [5, 5]]])