numpy学习|numpy.concatenate()函数基础

【1】引言

在前序学习过程中，已经深刻体会到要想画图，必须有数据做好支撑，数据的处理往往需要调用numpy模块，因此，对numpy模块的深入学习同样具有至关重要的意义。

今天就一起学习一下numpy模块下的concatenate()函数。

【2】官网教程

首先可以点击下方链接直达官网：

https://numpy.org/doc/stable/reference/generated/numpy.concatenate.html#numpy.concatenate

这里给出了很多参数：

numpy.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting="same_kind")

numpy.concatenate()：将数据按照同一轴向进行组合

(a1, a2, ...)：即将被处理的数据，数据们应在格式上保持一致

axis：数据分布的轴，如果不说，会被统一平面化处理。可以大致理解为，如果给了10个数，就默认它们都在X轴上；

out：输出数据的存储位置。输出数据的类型会与数据被处理前一致

dtype：数据输出的类型，不可以和out同时使用

casting：控制可能发生哪种类型的数据强制转换。默认为‘ same_kind ’。

【3】代码解读

首先是引入计算模块numpy，然后定义了两个不同的数组，之后对数组进行组合。

下述内容先给出了加了注释的代码，还增加了输出内容以辅助深入理解axis参数值的意义。

import numpy as np #引入计算模块
a = np.array([[1, 2], [3, 4]]) #定义数组a
b = np.array([[5, 6]]) #定义数组b
c=np.concatenate((a, b), axis=0) #组合数组a和b
d=np.concatenate((a, b.T), axis=1) #组合数组a和b的转置数组
e=np.concatenate((a, b), axis=None) #组合数组a和b
print('a=\n',a) #输出a
print('b=\n',b) #输出b
print('c=np.concatenate((a, b), axis=0)=\n',c) #输出组合数组a和b
print('d=np.concatenate((a, b.T), axis=1)=\n',d) #输出组合数组a和b的转置数组
print('e=np.concatenate((a, b), axis=None)=\n',e) #输出组合数组a和b的展开数组

运行代码后，获得的输出结果为：

a=
[[1 2]
[3 4]]
b=
[[5 6]]
c=np.concatenate((a, b), axis=0)=
[[1 2]
[3 4]
[5 6]]
d=np.concatenate((a, b.T), axis=1)=
[[1 2 5]
[3 4 6]]
e=np.concatenate((a, b), axis=None)=
[1 2 3 4 5 6]

可见，在数组a两行两列，数组b一行两列的基础上，使用concatenate()函数对数组进行组合：

当axis=0时，输出结果是三行两列，也就是保持列不变，行数直接相加；

当axis=1时，输出结果是两行三列，因为数组b转置为两行一列，所以结果其实是是保持行数不变，列数直接相加；

当axis=None时，所有数据被展开到行，也就是“平面化处理”，输出结果是一行六列。

综上所述，axis=0，是在行上进行合并；axis=1，是在列上进行合并；axis=None，所有数据展开到行，之后再一同合并到行上。

基于此分析，进行代码测试。

【4】代码测试

新增三行两列数组f，进行组合测试：

f=np.array([[7,8],[9,10],[11,12]]) #定义数组f
g=np.concatenate((a, f), axis=0) #组合数组a和b
h=np.concatenate((a, f.T), axis=1) #组合数组a和b
i=np.concatenate((a, f), axis=None) #组合数组a和b的展开数组
print('np.concatenate((a, f), axis=0)=\n',g) #输出组合数组a和f
print('np.concatenate((a, f.T), axis=1)=\n',h) #输出组合数组a和f的转置数组
print('np.concatenate((a, f), axis=None)=\n',i) #输出组合数组a和f的展开数组

运行代码后的输出结果为：

g=np.concatenate((a, f), axis=0)=
[[ 1 2]
[ 3 4]
[ 7 8]
[ 9 10]
[11 12]]
h=np.concatenate((a, f.T), axis=1)=
[[ 1 2 7 9 11]
[ 3 4 8 10 12]]
i=np.concatenate((a, f), axis=None)=
[ 1 2 3 4 7 8 9 10 11 12]

可见：

axis=0时，对行数进行了相加；

axis=1时，对列数进行了相加；

axis=None时，所有数据展开到行后直接组合。