NumPy 拼接与拆分
本章目标
- 掌握数组拼接：
concatenate、vstack、hstack、stack、dstack - 掌握数组拆分：
split、vsplit、hsplit、array_split - 理解"沿现有轴拼接"与"沿新轴堆叠"的本质区别
- 掌握等分与不等分拆分的正确 API 选择
重点方法与概念速览
| 名称 | 类型 | 作用 |
|---|---|---|
np.concatenate(...) | 函数 | 沿现有轴拼接多个数组 |
np.vstack(...) | 函数 | 垂直拼接（相当于 axis=0） |
np.hstack(...) | 函数 | 水平拼接（二维时相当于 axis=1） |
np.stack(...) | 函数 | 沿新轴堆叠，结果维度 +1 |
np.dstack(...) | 函数 | 沿第三轴（depth）堆叠 |
np.split(...) | 函数 | 等分拆分，必须整除 |
np.vsplit(...) / np.hsplit(...) | 函数 | 垂直 / 水平拆分 |
np.array_split(...) | 函数 | 不均匀拆分，允许不能整除 |
1. 沿现有轴拼接
np.concatenate
作用
沿已有的某个轴将多个数组拼接到一起。非拼接轴的长度必须一致，拼接后维度不变。
重点方法
python
np.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting='same_kind')参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
arrays | sequence of array_like | 待拼接的数组序列，元素维度必须相同 | [A, B] |
axis | int | 沿哪个现有轴拼接，默认为 0；None 时先展平再拼接 | 1 |
out | ndarray 或 None | 写入结果的目标数组 | —— |
dtype | dtype 或 None | 结果 dtype | —— |
casting | str | 类型转换策略，默认为 'same_kind' | 'safe' |
示例代码
python
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(f"axis=0 垂直拼接:\n{np.concatenate([A, B], axis=0)}")
print(f"axis=1 水平拼接:\n{np.concatenate([A, B], axis=1)}")输出
text
axis=0 垂直拼接:
[[1 2]
[3 4]
[5 6]
[7 8]]
axis=1 水平拼接:
[[1 2 5 6]
[3 4 7 8]]理解重点
axis=0：行方向增长（叠行），列数必须一致axis=1：列方向增长（拼列），行数必须一致- 一维数组拼接
axis只能是0
np.vstack
作用
垂直（纵向）堆叠。对二维数组等价于 concatenate(axis=0)；对一维数组会先视作行向量再堆叠。
重点方法
python
np.vstack(tup, *, dtype=None, casting='same_kind')np.hstack
作用
水平（横向）堆叠。对二维数组等价于 concatenate(axis=1)；对一维数组等价于 concatenate(axis=0)。
重点方法
python
np.hstack(tup, *, dtype=None, casting='same_kind')综合示例
示例代码
python
import numpy as np
A = np.array([[1, 2, 3], [4, 5, 6]])
B = np.array([[7, 8, 9]]) # (1, 3)
C = np.array([[10], [20]]) # (2, 1)
print(f"vstack([A, B]):\n{np.vstack([A, B])}")
print(f"hstack([A, C]):\n{np.hstack([A, C])}")输出
text
vstack([A, B]):
[[1 2 3]
[4 5 6]
[7 8 9]]
hstack([A, C]):
[[ 1 2 3 10]
[ 4 5 6 20]]2. 沿新轴堆叠
np.stack
作用
在新插入的轴上堆叠多个形状完全一致的数组，结果维度比输入多 1。经典场景：把
重点方法
python
np.stack(arrays, axis=0, out=None, *, dtype=None, casting='same_kind')参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
arrays | sequence of array_like | 待堆叠的数组序列，形状必须完全一致 | [A, B] |
axis | int | 新轴插入位置，范围 0 | 2 |
out | ndarray 或 None | 目标数组 | —— |
dtype | dtype 或 None | 结果 dtype | —— |
casting | str | 类型转换策略，默认为 'same_kind' | —— |
示例代码
python
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
s0 = np.stack([A, B], axis=0)
s2 = np.stack([A, B], axis=2)
print(f"stack axis=0 形状: {s0.shape}")
print(s0)
print(f"\nstack axis=2 形状: {s2.shape}")
print(s2)输出
text
stack axis=0 形状: (2, 2, 2)
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
stack axis=2 形状: (2, 2, 2)
[[[1 5]
[2 6]]
[[3 7]
[4 8]]]理解重点
concatenate不改变维度；stack维度 +1——这是两者最核心的区别axis=2时相当于把两张矩阵按像素位置"摞"在一起——类似图像通道堆叠
np.dstack
作用
沿第三轴（depth）堆叠。对一维数组视作 (1, N, 1)，对二维数组视作 (M, N, 1) 后拼接。常用于图像 RGB 三通道堆叠。
重点方法
python
np.dstack(tup)3. 拆分
np.split
作用
将数组沿指定轴等分拆分。传整数 n 时要求该轴长度能被 n 整除；也可传索引列表精确控制分割点。
重点方法
python
np.split(ary, indices_or_sections, axis=0)参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
ary | ndarray | 待拆分数组 | arr(4x3) |
indices_or_sections | int 或 list[int] | 整数为等分块数（必须整除）；列表为分割点索引 | 2、[2, 5] |
axis | int | 沿哪个轴拆分，默认为 0 | 1 |
np.vsplit / np.hsplit
作用
vsplit等价于split(axis=0)，沿行方向拆分hsplit等价于split(axis=1)，沿列方向拆分
重点方法
python
np.vsplit(ary, indices_or_sections)
np.hsplit(ary, indices_or_sections)np.array_split
作用
与 np.split 类似，但允许整除不均。无法整除时，size % n 块多一个元素。机器学习交叉验证、batch 划分常用。
重点方法
python
np.array_split(ary, indices_or_sections, axis=0)综合示例
示例代码
python
import numpy as np
# 等分拆分
arr = np.arange(12).reshape(4, 3)
print(f"原数组:\n{arr}")
partsRow = np.split(arr, 2, axis=0)
print(f"\nsplit(axis=0) 分 2 块:")
for i, p in enumerate(partsRow):
print(f"第 {i+1} 块:\n{p}")
# 不等分拆分
arr1d = np.arange(10)
parts = np.array_split(arr1d, 3)
for i, p in enumerate(parts):
print(f"第 {i+1} 块(大小 {len(p)}): {p}")输出
text
原数组:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
split(axis=0) 分 2 块:
第 1 块:
[[0 1 2]
[3 4 5]]
第 2 块:
[[ 6 7 8]
[ 9 10 11]]
第 1 块(大小 4): [0 1 2 3]
第 2 块(大小 3): [4 5 6]
第 3 块(大小 3): [7 8 9]理解重点
- 10 个元素分 3 份 →
4, 3, 3：前面size % n块各多一个元素 - 等分优先
split（明确意图），不整除用array_split（容忍不齐）
常见坑
np.split(arr, n)不能整除会抛ValueError——不确定整除时用np.array_splitnp.stack要求所有输入形状完全相同；不同形状应先reshape/pad对齐concatenate的axis容易写反——拼接前先print(a.shape, b.shape)排查hstack对一维与二维行为不同：一维等价axis=0，二维等价axis=1stack和concatenate不可互换：前者加维度，后者不加维度
小结
- 拼接与拆分是数据批处理、窗口构造、特征组合的核心操作
- 选 API 的思路：沿现有轴 →
concatenate/vstack/hstack；沿新轴 →stack/dstack - 拆分首选
split（严格），不整除退化到array_split - 先想清楚"要沿哪个轴变化"，再选具体 API