Python 何时应该使用hstack/vstack vs append vs concatenate vs column\u stack？

简单的问题：每种方法的优点是什么。似乎在给定正确的参数（和ndarray形状）的情况下，它们看起来都是等效的。在适当的地方做一些工作？有更好的表现吗？在IPython中，您可以通过键入函数名，后跟

？

，查看函数的源代码。看看

hstack

，我们可以看到它实际上只是

串联

的包装（与

vstack

和

列堆栈

类似）：

---

因此，我想只要使用听起来最符合逻辑的名称即可。

所有函数都是用Python编写的，除了

np.concatenate

。对于IPython外壳，您只需使用

？

如果没有，下面是他们的代码摘要：

vstack
concatenate([atleast_2d(_m) for _m in tup], 0)
i.e. turn all inputs in to 2d (or more) and concatenate on first

hstack
concatenate([atleast_1d(_m) for _m in tup], axis=<0 or 1>)

colstack
transform arrays with (if needed)
    array(arr, copy=False, subok=True, ndmin=2).T

append
concatenate((asarray(arr), values), axis=axis)

也就是说，它扩展所有输入的DIM（有点像

np.expand_dims

），然后连接。当

轴=0时，效果与
np.array
相同

hstack
文档现在添加了：

函数
串联
，
堆栈
和
块
提供更通用的堆叠和连接操作

np.block
也是新的。实际上，它是沿着嵌套列表递归连接的。
numpy.vstack：按顺序垂直堆叠数组（行）。相当于
np.concatenate（tup，axis=0）
示例请参见：

numpy.hstack：按顺序水平堆叠数组（按列）。相当于
np.concatenate（tup，axis=1）
，但沿第一个轴串联的一维数组除外。示例见：

append是python内置数据结构
list
的函数。每次向列表中添加元素时。显然，要添加多个元素，您将使用
extend
。简单地说，numpy的功能要强大得多

例如：

假设gray.shape=（n0，n1）

np.vstack（（灰色，灰色，灰色））
将具有形状（n0*3，n1），您也可以通过
np.concatenate（（灰色，灰色，灰色），axis=0）来实现它。

np.hstack（（灰色，灰色，灰色））
将具有形状（n0，n1*3），您也可以通过
np.concatenate（（灰色，灰色，灰色），axis=1）来实现它。

np.dstack（（灰色、灰色、灰色））
将具有形状（n0、n1、3）。
如果有两个矩阵，最好只使用
hstack
和
vstack
：

np.hstack??
def hstack(tup):
...
    arrs = [atleast_1d(_m) for _m in tup]
    # As a special case, dimension 0 of 1-dimensional arrays is "horizontal"
    if arrs[0].ndim == 1:
        return _nx.concatenate(arrs, 0)
    else:
        return _nx.concatenate(arrs, 1)

arrays = [asanyarray(arr) for arr in arrays]
shapes = set(arr.shape for arr in arrays)
result_ndim = arrays[0].ndim + 1
axis = normalize_axis_index(axis, result_ndim)
sl = (slice(None),) * axis + (_nx.newaxis,)

expanded_arrays = [arr[sl] for arr in arrays]
concatenate(expanded_arrays, axis=axis, out=out)

如果要堆叠矩阵和向量，
hstack
变得很难使用，因此
column\u stack
是一个更好的选择：

如果要叠加两个向量，则有三个选项：

原始形式的
串联
对于3D及以上版本非常有用，请参见
有关详细信息，请参阅我的文章。
这篇文章非常有用！！