np_stack()concatenate()hstack(),vstack()

(一)stack()
`stack()`实际上就是`堆叠,拼接`的意思,`针对单个ndarray（torch.cat（）函数也是拼接的意思，但是针对的两个tensor）,`它所做的工作就是将原来的元素,按照axis的值,取出来打包,重新堆叠形成新的ndarray,可以看下面的例子:
当执行np.stack(arrays, axis=0)时，取出第一维的1、2、3、4，打包，[1, 2, 3, 4]，其余的类似，然后结果如下：
```
>>> arrays = [[1,2,3,4], [5,6,7,8]]
>>> arrays=np.array(arrays)
>>> np.stack(arrays,axis=0)
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])
```
当执行np.stack(arrays, axis=1)时，先对arrays中的第二维进行“打包”，也即是将1、5打包成[1, 5]，其余的类似，结果如下：
```
>>> np.stack(arrays, axis=1)
array([[1, 5],
       [2, 6],
       [3, 7],
       [4, 8]])
```
有这个“打包”的概念后，对于三维,或者更高维的数组堆叠也不难理解了.
理解stack的**要点**:`(1)stack前后,对于堆叠的各部分来说,轴的数量相应的增加(2)特定axis轴上,索引相同的数据,打包在一起`,`因此在新增的特定轴上的索引数量(针对于原来stack()内的各个部分的维度来说的),也会相应的增加,如下`
```
>>> a = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]]) 
>>> b = np.array([[4, 5, 6], [4, 5, 6], [4, 5, 6]]) 
>>> a.shape 
(3, 3) 
>>> b.shape 
(3, 3) 
>>> np.stack((a, b), axis=0).shape  #这是针对两个ndarray的情况,实际上与单个ndarray情况是一致的,单个ndarray也可以堪
(2, 3, 3) 
>>> np.stack((a, b), axis=1).shape
(3, 2, 3) 
>>> np.stack((a, b), axis=2).shape 
(3, 3, 2)
```
参看:https://blog.csdn.net/qq_17550379/article/details/78934529

(二)**concatenate()**

`concatenate()`意思是`拼接`,针对两个数组,而`hstack()`和`vstack()`则可以理解为`按列拼接(即axis=1)`和`按行拼接(即axis=0)`,

`按什么拼接,什么要改变,按axis =1拼接,则axis上维度的索引数量将改变`
```
>>> a = np.array((1,2,3)) 
>>> b = np.array((2,3,4))
>>> np.hstack((a,b)) 
array([1, 2, 3, 2, 3, 4])

>>> a = np.array([1, 2, 3])#对于这样的一维的数组,实际上是当成2维来做的,shape是(1,n),所以相当于维度还是没提升#这种情况和stack()的效果一样了
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
       [2, 3, 4]])

```
```

>>> a = np.array([[1],[2],[3]]) 
>>> b = np.array([[2],[3],[4]]) 
>>> np.hstack((a,b)) 
array([[1, 2], [2, 3], [3, 4]])

a = np.array([[1],[2],[3]]) 
b = np.array([[2],[3],[4]]) 
np.stack((a,b),axis =1) 
array([[[1],
        [2]],
       [[2],
        [3]],
       [[3],
        [4]]])

>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
       [2],
       [3],
       [2],
       [3],
       [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]]])

```

关于np.stack()和np.hstack()之间的区别,可以再通过下面的例子去体会:
```
arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr2 = np.array([[7, 8], [9, 0], [0, 1]])
res = np.stack((arr1, arr2),axis =1)
print(res) #会增加一个维度
[[[1 2]
  [7 8]]
 [[3 4]
  [9 0]]
 [[5 6]
  [0 1]]]
arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr2 = np.array([[7, 8], [9, 0], [0, 1]])
res = np.hstack((arr1, arr2))
print(res)
[[1 2 7 8]
 [3 4 9 0]
 [5 6 0 1]]
```
下面是一个使用hstack和vstack拼接图片的例子：
```
#image1,image2是ndarray类型的数组
def function(image1,image2):
    h1,w1,c1 = image1.shape
    h2,w2,c2 = image2.shape
    if c1 != c2:
        print("channels NOT match, cannot merge")
        return 
    else:
        if w1 > w2:
            tmp = np.zeros([h2,w1-w2,c1])
            image3 = np.hstack([image2,tmp])
            image3 = np.vstack([image1,image3])
        elif w1 == w2:
            image3 = np.hstack([image1,image2]) #横着拼
        else:
            tmp = np.zeros([h1,w2-w1,c2])
            image3 = np.hstack([image1,tmp])
            image3 = np.vstack([image3,image2])
    return image3
#https://ask.csdn.net/questions/714745
```

参考:
https://blog.csdn.net/csdn15698845876/article/details/73380803?utm_source=blogxgwz0

个人觉得下面这一篇写得更好(上面的笔记,更详细可以参考这篇):
https://blog.csdn.net/qq_26414307/article/details/79317965

lee-romantic 's Blog

导航

最近发表

友情链接