组合 NumPy 数组答案

【问题标题】：Combining NumPy arrays组合 NumPy 数组
【发布时间】：2011-10-08 02:13:14
【问题描述】：

我有两个 20x100x3 NumPy 数组，我想将它们组合成一个 40 x 100 x 3 数组，也就是说，只需在数组中添加更多行。我对我想要哪个函数感到困惑：它是 vstack、hstack、column_stack 还是其他什么？

【问题讨论】：

【解决方案1】：

我相信你想要的是 vstack

p=array_2
q=array_2
p=numpy.vstack([p,q])

【讨论】：

不知道为什么我第一次访问该页面时没有显示您的答案。 +1 建议先使用 vstack。
请注意，文档建议现在使用 stack 或 concatenate，并且仅支持 vstack 以实现向后兼容性，请参阅：docs.scipy.org/doc/numpy-1.13.0/reference/generated/…

【解决方案2】：

最好的学习方法之一是实验，但我想说你想要np.vstack，尽管还有其他方法可以做同样的事情：

a = np.ones((20,100,3))
b = np.vstack((a,a)) 

print b.shape # (40,100,3)

或

b = np.concatenate((a,a),axis=0)

编辑

请注意，在我的机器上，对于 OP 问题中的大小数组，我发现 np.concatenate 比 np.vstack 快大约 2 倍

In [172]: a = np.random.normal(size=(20,100,3))

In [173]: c = np.random.normal(size=(20,100,3))

In [174]: %timeit b = np.concatenate((a,c),axis=0)
100000 loops, best of 3: 13.3 us per loop

In [175]: %timeit b = np.vstack((a,c))
10000 loops, best of 3: 26.1 us per loop

【讨论】：

我可能是愚蠢的，因为我没有使用太多的 timeit，但是连接不会占用 10 倍的循环吗？
@Giltech，虽然 timeit 使用 10 倍以上的循环来对 np.concatenate 进行基准测试（它似乎是自动选择的），但这里重要的数字是每个循环的时间
您应该注意因子 2。您的测试用例包含 6000 个项目的小数组，并且在我们的范围内。简单地将输入数组扩展到 (20,10000,3) 会导致 6.62 ms per loop 与 6.38 ms per loop，仍然有优势直接使用连接。所以对于大数组来说，差异并不重要。
@EnnoGröper 好点。当性能很重要时，应该始终执行自己的基准测试/进行自己的分析。考虑到 OP 系统的大小，我只是建议一种特定的方法。

【解决方案3】：

值得一提的是

    np.concatenate((a1, a2, ...), axis=0)

是一般形式，vstack 和 hstack 是具体情况。我发现最容易知道我想要堆叠哪个维度并将其作为参数提供给 np.concatenate。

【讨论】：

【解决方案4】：

我在 r_ 和 vstack 之间尝试了一个小基准测试，结果非常有趣：

import numpy as np

NCOLS = 10
NROWS = 2
NMATRICES = 10000

def mergeR(matrices):
    result = np.zeros([0, NCOLS])

    for m in matrices:
        result = np.r_[ result, m]

def mergeVstack(matrices):
    result = np.vstack(matrices)

def main():
    matrices = tuple( np.random.random([NROWS, NCOLS]) for i in xrange(NMATRICES) )
    mergeR(matrices)
    mergeVstack(matrices)

    return 0

if __name__ == '__main__':
    main()

然后我运行分析器：

python -m cProfile -s cumulative np_merge_benchmark.py

结果：

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
...
     1    0.579    0.579    4.139    4.139 np_merge_benchmark.py:21(mergeR)
...
     1    0.000    0.000    0.054    0.054 np_merge_benchmark.py:27(mergeVstack)

所以 vstack 方式快 77 倍！

【讨论】：

【解决方案5】：

对了，还有r_：

>>> from scipy import *
>>> a = rand(20,100,3)
>>> b = rand(20,100,3)
>>> a.shape
(20, 100, 3)
>>> b.shape
(20, 100, 3)
>>> r_[a,b].shape
(40, 100, 3)
>>> (r_[a,b] == vstack([a,b])).all()
True

【讨论】：