Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接

简介: NumPy库中的`np.concatenate`和`np.append`函数,它们分别用于沿指定轴拼接多个数组以及在指定轴上追加数组元素。

一:np.concatenate()

  • 函数介绍:np.concatenate((a, b), axis=0)
  • 参数意思:a和b都为数组,axis可以选择大小,axis=0 按照行拼接。axis=1 按照列拼接。

对于一维数组,情况如下:

import numpy as np
a = np.array([1, 2])
b = np.array([5, 6])
c = np.array([3, 4])
print(np.concatenate((a,b,c)))

运行结果:
在这里插入图片描述
对于二维数组,情况如下:

import numpy as np
a = np.array([[1, 2],[3,4]])
b = np.array([[5, 6],[4,5],[3,1],[3,2]])
print('将b进行转置')
print(b.T) # 将b进行转置 这样能保证与a行数相同
print('将a和b按行拼接')
print(np.concatenate((a,b),axis=0)) # 按行拼接
print('将a和b按列拼接')
print(np.concatenate((a,b.T),axis=1)) # 按列拼接

运行结果
在这里插入图片描述

一:np.append()

  • 函数介绍:np.append(arr1, arr2, axis=None)
  • 参数意思:arr1和arr2为两个矩阵,axis:可选参数,如果axis没有给出,那么arr,values都将先展平成一维数组。注:如果axis被指定了,那么arr和values需要有相同的shape,否则报错

对于一维数组,情况如下:

import numpy as np
a=np.array([1,2])
b=np.array([3,4])
print('一维数组拼接:',np.append(a,b))

运行结果
在这里插入图片描述
对于二维数组,情况如下:

import numpy as np
a1 = np.array([[1, 2], [3, 4]])
b1 = np.array([[5, 6],[2,3]])
print('二维数组拼接:',np.append(a1,b1))
print('二维数组列拼接:')
print(np.append(a1,b1,axis=1))
print('二维数组行拼接:')
print(np.append(a1,b1,axis=0))

运行结果
在这里插入图片描述

目录
相关文章
|
7月前
|
计算机视觉 Python
PIL图像转换为Numpy数组:技术与案例详解
本文介绍了如何将PIL图像转换为Numpy数组,以便利用Numpy进行数学运算和向量化操作。首先简要介绍了PIL和Numpy的基本功能,然后详细说明了转换过程,包括导入库、打开图像文件、使用`np.array()`或`np.asarray()`函数进行转换,并通过打印数组形状验证转换结果。最后,通过裁剪、旋转和缩放等案例展示了转换后的应用,以及如何将Numpy数组转换回PIL图像。此外,还介绍了处理base64编码图像的完整流程。
211 4
|
9月前
|
Python
Numpy学习笔记(一):array()、range()、arange()用法
这篇文章是关于NumPy库中array()、range()和arange()函数的用法和区别的介绍。
436 6
Numpy学习笔记(一):array()、range()、arange()用法
|
9月前
|
索引 Python
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
NumPy库中`np.where`和逻辑运算函数`np.logical_and`、`np.logical_or`、`np.logical_not`的使用方法和示例。
585 1
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
|
9月前
|
Python
Numpy学习笔记(四):如何将数组升维、降维和去重
本文介绍了如何使用NumPy库对数组进行升维、降维和去重操作。
181 1
|
9月前
|
机器学习/深度学习 索引 Python
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
本文解释了NumPy中`argmax`函数的`axis`参数在不同维度数组中的应用,并通过代码示例展示了如何使用`axis=0`、`axis=1`和`axis=-1`来找到数组中最大值的索引。
927 0
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
|
9月前
|
Python
使用 NumPy 进行数组操作的示例
使用 NumPy 进行数组操作的示例
130 2
|
9月前
|
PyTorch 算法框架/工具 Python
Pytorch学习笔记(十):Torch对张量的计算、Numpy对数组的计算、它们之间的转换
这篇文章是关于PyTorch张量和Numpy数组的计算方法及其相互转换的详细学习笔记。
196 0
|
10月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
220 1
|
11月前
|
机器学习/深度学习 数据处理 计算机视觉
NumPy实践宝典:Python高手教你如何轻松玩转数据处理!
【8月更文挑战第22天】NumPy是Python科学计算的核心库,专长于大型数组与矩阵运算,并提供了丰富的数学函数。首先需安装NumPy (`pip install numpy`)。之后可通过创建数组、索引与切片、执行数学与逻辑运算、变换数组形状及类型、计算统计量和进行矩阵运算等操作来实践学习。NumPy的应用范围广泛,从基础的数据处理到图像处理都能胜任,是数据科学领域的必备工具。
121 0
|
10月前
|
机器学习/深度学习 算法 数据可视化
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征
特征工程是机器学习流程中的关键步骤,通过将原始数据转换为更具意义的特征,增强模型对数据关系的理解能力。本文重点介绍处理数值变量的高级特征工程技术,包括归一化、多项式特征、FunctionTransformer、KBinsDiscretizer、对数变换、PowerTransformer、QuantileTransformer和PCA,旨在提升模型性能。这些技术能够揭示数据中的潜在模式、优化变量表示,并应对数据分布和内在特性带来的挑战,从而提高模型的稳健性和泛化能力。每种技术都有其独特优势,适用于不同类型的数据和问题。通过实验和验证选择最适合的变换方法至关重要。
283 6
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征