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
|
2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。
56 6
Numpy学习笔记(一):array()、range()、arange()用法
|
2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。
171 1
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
|
2月前
|
机器学习/深度学习 并行计算 大数据
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧2
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
89 10
|
2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。
48 1
|
2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。
130 0
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
|
2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
38 2
|
2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。
41 0
|
3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
98 0
|
4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。
63 0
|
1月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
40 3