关于numpy两个array叠加操作详解

目录
  • 一、 叠加操作
    • 1.add
    • 2.concatenate
    • 3.stack & hstack
  • 二、 size & ndim & shape
  • 总结

numpy中有很多关于两个array的操作，叠加方式以及叠加后的维度经常令人迷惑，这篇文章总价一下。

一、 叠加操作

1.add

逐元素操作，若是array + 常量会广播到每个元素，若是array + array则要求两个array的shape一致。

end = '\n'+'*'*50+'\n'
a = np.array([[1,2],[3,4]])
b = np.array([[5,6], [7,8]])
print(a+1, end=end)
print(a+b)

输出：

[[2 3]
 [4 5]]
**************************************************
[[ 6  8]
 [10 12]]

2.concatenate

在指定维度将两个array进行拼接，不会改变array的维度，要求两个array的维度相同，且在指定的拼接维度的array size也必须相等，值得注意的是，两个array的shape不一定一致，比较拗口，看下例子：

end = '\n'+'*'*50+'\n'
a = np.array([[1,2],[3,4]])
b = np.array([[5,6], [7,8]])
c = np.array([[5,6]])
d = np.array([5,6])
f = np.array([[5]])

a & c 的shape并不相同：

维度不一致：

长度不一致：

3.stack & hstack

stack 在垂直方向上拼接两个array（可以指定axis），要求两个array的shape严格一致，结果会增加维度；

hstack 在水平方向（第0维，不可制定axis）拼接两个array，要求两者的维度相同，且在第0维的size也相同，拼接结果不改变原有维度 。

stack:结果会在原有维度的基础上加1

hstack，a和c在0轴的size不同：

hstack，转置后正常拼接：

二、 size & ndim & shape

这三个概念很容易搞混，其中：

  • size：指的是“元素个数”；
  • ndim：维度，指的是“有多少层嵌套”，即中括号个数，同时和shape的len相等，axis=0指的是最外层中括号，往里依次递增；
  • shape：size和ndim综合起来就是shape，两个array的shape相同则意味着两者的ndim相同且在每一个axis上的size也相同。

看下例子：

值得注意的是，ndim和size以及shape没有必然联系，一个ndim不为0的array可能一个元素也没有：

size相同，shape和ndim也不一定相同：

总结

到此这篇关于numpy两个array叠加操作的文章就介绍到这了,更多相关numpy两个array叠加内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

赞 (0)

相关推荐

  • numpy.array 操作使用简单总结

    import numpy as np numpy.array 常用变量及参数 dtype变量,用来存放数据类型, 创建数组时可以同时指定. shape变量, 存放数组的大小, 这人值是可变的, 只要确保无素个数不变的情况下可以任意修改.(-1为自动适配, 保证个数不变) reshape方法,创建一个改变了形状的数组,与原数组是内存共享的,即都指向同一块内存. 创建数组的方法 np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np

  • Python中Numpy ndarray的使用详解

    本文主讲Python中Numpy数组的类型.全0全1数组的生成.随机数组.数组操作.矩阵的简单运算.矩阵的数学运算. 尽管可以用python中list嵌套来模拟矩阵,但使用Numpy库更方便. 定义数组 >>> import numpy as np >>> m = np.array([[1,2,3], [2,3,4]]) #定义矩阵,int64 >>> m array([[1, 2, 3], [2, 3, 4]]) >>> m = n

  • numpy返回array中元素的index方法

    如下所示: import numpy a = numpy.array(([3,2,1],[2,5,7],[4,7,8])) itemindex = numpy.argwhere(a == 7) print (itemindex) print a 以上这篇numpy返回array中元素的index方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们.

  • Numpy array数据的增、删、改、查实例

    准备工作: 增.删.改.查的方法有很多很多种,这里只展示出常用的几种. >>> import numpy as np >>> a = np.array([[1,2],[3,4],[5,6]])#创建3行2列二维数组. >>> a array([[1, 2], [3, 4], [5, 6]]) >>> a = np.zeros(6)#创建长度为6的,元素都是0一维数组 >>> a = np.zeros((2,3))#创

  • 关于numpy两个array叠加操作详解

    关于numpy两个array叠加操作详解

    目录 一. 叠加操作 1.add 2.concatenate 3.stack & hstack 二. size & ndim & shape 总结 numpy中有很多关于两个array的操作,叠加方式以及叠加后的维度经常令人迷惑,这篇文章总价一下. 一. 叠加操作 1.add 逐元素操作,若是array + 常量会广播到每个元素,若是array + array则要求两个array的shape一致. end = '\n'+'*'*50+'\n' a = np.array([[1,2]

  • Python Numpy中数组的集合操作详解

    我们知道两个 set 对象之间,可以取交集.并集.差集.对称差集,举个例子: s1 = {1, 2, 3} s2 = {2, 3, 4} """ &: 交集 |: 并集  -: 差集 ^: 对称差集 """ # 以下几种方式是等价的 # 但是一般我们都会使用操作符来进行处理,因为比较方便 print(s1 & s1) print(s1.intersection(s2)) print(set.intersection(s1, s2)

  • 对python中list的拷贝与numpy的array的拷贝详解

    1.python中列表list的拷贝,会有什么需要注意的呢? python变量名相当于标签名. list2=list1 ,直接赋值,实质上指向的是同一个内存值.任意一个变量list1(或list2)发生改变,都会影响另一个list2(或list1). eg: >>> list1=[1,2,3,4,5,6] >>> list2=list1 >>> list1[2]=88 >>> list1 [1, 2, 88, 4, 5, 6] >

  • 基于Python对数据shape的常见操作详解

    这一阵在用python做DRL建模的时候,尤其是在配合使用tensorflow的时候,加上tensorflow是先搭框架再跑数据,所以调试起来很不方便,经常遇到输入数据或者中间数据shape的类型不统一,导致一些op老是报错.而且由于水平菜,所以一些常用的数据shape转换操作也经常百度了还是忘,所以想再整理一下. 一.数据的基本属性 求一组数据的长度 a = [1,2,3,4,5,6,7,8,9,10,11,12] print(len(a)) print(np.size(a)) 求一组数据的s

  • Pytorch 实现sobel算子的卷积操作详解

    卷积在pytorch中有两种实现,一种是torch.nn.Conv2d(),一种是torch.nn.functional.conv2d(),这两种方式本质都是执行卷积操作,对输入的要求也是一样的,首先需要输入的是一个torch.autograd.Variable()的类型,大小是(batch,channel, H,W),其中batch表示输入的一批数据的数目,channel表示输入的通道数. 一般一张彩色的图片是3,灰度图片是1,而卷积网络过程中的通道数比较大,会出现几十到几百的通道数.H和W表

  • 关于Numpy中的行向量和列向量详解

    行向量 方式1 import numpy as np b=np.array([1,2,3]).reshape((1,-1)) print(b,b.shape) 结果: (array([[1, 2, 3]]), (1, 3)) 方式2 import numpy as np b=np.array([[1,2,3]]) #两层'[]' print(b,b.shape) 结果 (array([[1, 2, 3]]), (1, 3)) 列向量 方式1 import numpy as np a=np.arr

  • 对tensorflow中cifar-10文档的Read操作详解

    前言 在tensorflow的官方文档中得卷积神经网络一章,有一个使用cifar-10图片数据集的实验,搭建卷积神经网络倒不难,但是那个cifar10_input文件着实让我费了一番心思.配合着官方文档也算看的七七八八,但是中间还是有一些不太明白,不明白的mark一下,这次记下一些已经明白的. 研究 cifar10_input.py文件的read操作,主要的就是下面的代码: if not eval_data: filenames = [os.path.join(data_dir, 'data_b

  • Python中numpy数组的计算与转置详解

    Python中numpy数组的计算与转置详解

    目录 前言 1.numpy数组与数的运算 2.numpy相同尺寸的数组运算 3.numpy不同尺寸的数组计算 4.numpy数组的转置 总结: 前言 本文主要讲述numpy数组的计算与转置,讲相同尺寸数组的运算与不同尺寸数组的运算,同时介绍数组转置的三种方法. numpy数组的操作比较枯燥,但是都很实用,在很多机器学习.深度学习算法中都会使用到,对numpy数组的一些操作. 1.numpy数组与数的运算 主要包括数组与数的加减乘除运算,废话不多说,看代码: import numpy as np

  • Java实现Excel导入导出操作详解

    Java实现Excel导入导出操作详解

    目录 前言 1. 功能测试 1.1 测试准备 1.2 数据导入 1.2.1 导入解析为JSON 1.2.2 导入解析为对象(基础) 1.2.3 导入解析为对象(字段自动映射) 1.2.4 导入解析为对象(获取行号) 1.2.5 导入解析为对象(获取原始数据) 1.2.6 导入解析为对象(获取错误提示) 1.2.7 导入解析为对象(限制字段长度) 1.2.8 导入解析为对象(必填字段验证) 1.2.9 导入解析为对象(数据唯一性验证) 1.3 数据导出 1.3.1 动态导出(基础) 1.3.2 动

  • Python Pandas学习之基本数据操作详解

    Python Pandas学习之基本数据操作详解

    目录 1索引操作 1.1直接使用行列索引(先列后行) 1.2结合loc或者iloc使用索引 1.3使用ix组合索引 2赋值操作 3排序 3.1DataFrame排序 3.2Series排序 为了更好的理解这些基本操作,下面会通过读取一个股票数据,来进行Pandas基本数据操作的语法介绍. # 读取文件(读取保存文件后面会专门进行讲解,这里先直接调用下api) data = pd.read_csv("./data/stock_day.csv")  # 读取当前目录下一个csv文件 # 删

随机推荐