这是什么'；数组序列'；由numpy&x27创建；Python中的snp.stack函数？

我正在阅读np.stack上的：

沿新轴连接一系列阵列。
输出：Ndaray

所以

np.stack

将接受，比如说，2个numpy数组并返回什么？它将返回一个新数组，其中包含一个，嗯，数组序列

我无法想象由一系列数组组成的数组是什么，所以我来做个小实验怎么样：

import numpy as np
from random import randint

arrays = [2.5 * np.random.randn(1,2)+ 3 for _ in range(1,3)] 
arrays = [a.astype(int) for a in arrays]
arrays

这给了我：

[array([[1, 2]]), array([[2, 3]])]

那么

np.stack（数组，轴=0）

给予

假设打印输出基本上不可读（10个方括号，真的吗？），我看到了一个数组中的2个数组，按顺序排列。我想文档是正确的，但是我仍然没有想象这个物体看起来像什么

也许我应该看看尺寸：

np.stack(arrays, axis=0).shape

给予

我们有两行，一列和两层？那不是一个数组吗

我的问题是：

• “数组序列”到底是什么？数组如何具有顺序的概念，正如序列的定义一样
• 为什么会有人想要一个“数组序列”，不管它是什么，而不是将多个数组连接成一个（正如

  .shape

  所暗示的那样）
• 为什么他们称这个函数为“stack”，这个词的通俗用法是如何帮助他们的

谢谢

编辑太多好的答案…无法为复选标记选择一个答案…

Numpy数组：

import numpy
a = np.array([1,2,3])
a.shape gives (3,) -> indicates a 1D array
b = np.array([2, 3, 4])
np.stack((a,b),axis=0) -->Stack the two arrays row-wise which means just put the first arrow on top of the second array
np.stack((a,b),axis=1) -->columns wise stack

现在按同样的顺序回答您的问题：

上述示例中的数组序列是A和b，A和b一起构成数组序列

该函数有用的原因是——想象一下，如果您试图构建一个矩阵，其中每一行（数组）都是从特定于该行号的某个特殊函数中获得的，那么np.stack允许您轻松地堆叠每个数组并创建二维数组

在真正意义上，堆叠意味着把东西放在某物上。在这种情况下，您只需在另一个数组上添加一个数组

希望这有帮助

编辑-基于评论-

连接和堆栈之间的差异（功能除外）- Concat更像是merge

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])

np.stack((a,b),axis=0) ->error
np.concatenate((a,b),axis=0) -->no error 

用Python的说法，“序列”只是一个可以包含其他东西的东西，有一种“顺序”的感觉，并且可以选择像

seq[i]

这样的索引。Python是duck类型的，因此任何行为类似于序列的东西都可以称为一个序列。例如，它可以是列表或元组。在这种情况下，订购绝对重要

序列可以一块一块地建立，这在编程中很常见。例如，您可以使用RESTful API下载一些数据，从每个响应构建一个数组，并将每个响应追加到列表中。完成请求后，您可以在以后的计算中使用累积的“数组序列”

如果你看一下那页上的例子，就很清楚了。你有一个数组列表，比如说，

l=[a，b]

其中

a

和

b

是数组。如果形状兼容，

stack（l）

所做的是在“

b

”之上创建一个新的数组。当然也有

连接

，但它不一样<代码>堆栈创建一个新的维度，但如名称所示，

串联

沿指定的轴连接

---

从发行说明中：

新函数

np.stack

提供了一个通用接口，用于沿新轴连接一系列数组，补充了沿现有轴连接的

np.concatenate

---

我认为您的问题始于

np.random.randn（1,2）

可能无法满足您的期望。这将为您提供一个

（1,2）

数组

我认为这是一个嵌套列表。“外部”列表有一个项目，而这个项目是两个项目的“内部”列表（事实上，这正是它在

array（）

包装器中的表示方式）

现在，您将列出其中两个阵列。这些括号位于

数组

包装器之外，因此它只是一个列表。然后，

np.stack

命令根据

axis

命令以某种方式移动包装器内的括号。在这种情况下，

axis=0

，0轴中的元素数成为外部列表中的项目数。其他两个维度移过去，

形状变为
（2,1,2）

作为一个列表，这将是一个包含两个项目的列表，每个项目都是一个单一项目的列表，这个单一项目是一个包含两个数字的列表

除了堆栈

之外，还有许多不同的方法来排列这些数组。另一个主要的是

np。concatenate

，它将允许您沿着现有轴连接它们（

axis=0

将有一个shape

（2,2）

，而

axis=1

将有shape

（1,4）

堆栈用于您希望新轴连接它们时。

“数组序列”到底是什么？数组如何具有顺序的概念，正如序列的定义一样？
• 序列是一种抽象数据类型，正如您直觉所示，它是项的有序集合，可以假设一个序列实现

  \uuu getitem\uuuuuuuu

  和

  \uuuu len\uuuuu

  ，也就是说，它支持括号索引，例如

  seq[0]

  或

  seq[1]

  ，并且具有

  len

  。它还实现了

  \u包含
  、
  \uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
  、
  索引列表
  ，
  元组
  ，
  str
  ，
  字节
  ，
  范围
  和
  内存视图
  。A
  numpy.ndarray
  是一个
  import numpy
  a = np.array([1,2,3])
  a.shape gives (3,) -> indicates a 1D array
  b = np.array([2, 3, 4])
  np.stack((a,b),axis=0) -->Stack the two arrays row-wise which means just put the first arrow on top of the second array
  np.stack((a,b),axis=1) -->columns wise stack
  
  a = np.array([[1, 2], [3, 4]])
  b = np.array([[5, 6]])
  
  np.stack((a,b),axis=0) ->error
  np.concatenate((a,b),axis=0) -->no error 
  
  In [1]: import numpy as np
  
  # Ten pieces of 3x4 paper, contained in a list, or "sequence"
  In [2]: arrays = [np.random.randn(3, 4) for _ in xrange(10)]
  
  # Stack the paper so you get a paperstack with thickness 10 ;)
  In [3]: np.stack(arrays, axis=0).shape
  Out[3]: (10, 3, 4)
  
  # Join each piece's long side with the next one, so you get a larger piece of paper
  In [4]: np.concatenate(arrays, axis=0).shape
  Out[4]: (30, 4)
  
  >>> a = np.array([1, 2, 3])
  >>> b = np.array([2, 3, 4])
  >>> np.stack((a, b), axis=0)
  array([[1, 2, 3],
         [2, 3, 4]])
  >>> np.stack((a, b), axis=1)
  array([[1, 2],
         [2, 3],
         [3, 4]])
  >>>
  
  >>> np.concatenate((a,b))
  array([1, 2, 3, 2, 3, 4])
  
  In [325]: arrays = [np.array([[1, 2]]), np.array([[2, 3]])]
  In [326]: arrays
  Out[326]: [array([[1, 2]]), array([[2, 3]])]
  In [327]: arrays[0].shape
  Out[327]: (1, 2)
  In [328]: np.array(arrays)
  Out[328]: 
  array([[[1, 2]],
  
         [[2, 3]]])
  In [329]: _.shape
  Out[329]: (2, 1, 2)
  
  np.array([[[1, 2]],[[2, 3]]])
  
  In [332]: np.stack(arrays).shape
  Out[332]: (2, 1, 2)
  
  In [335]: np.stack(arrays, axis=0).shape
  Out[335]: (2', 1, 2)
  In [336]: np.stack(arrays, axis=1).shape
  Out[336]: (1, 2', 2)
  In [337]: np.stack(arrays, axis=2).shape
  Out[337]: (1, 2, 2')