# 导入numpy

import numpy as np

ndarray的合并

定义要使用的数据源

a = np.array([1, 1, 1])

b = np.array([2, 2, 2])

print('a', a)

print('b', b)

a [1 1 1]

b [2 2 2]

numpy.vstack()函数

语法：vstack(tup)，参数是一个元组，它可将元组中指定的数组进行合并

# 将a与b合并

c = np.vstack((a, b))

print('合并结果：\n', c)

print('c的形状：\n', c.shape)

合并结果：

[[1 1 1]

[2 2 2]]

c的形状：

(2, 3)

从结果来看，两上一维数组合并后的结果是一个地维数组

numpy.hstack()函数

语法：hstack(tup)，参数是一个元组

与 vstack不同的是，vstack将数组进行纵向合并，而hstack将数组进行横向合并

vstack 是 vertical stack 的缩写

hstack 是 horizontal stack 的缩写

# 将a与b合并

c = np.hstack((a, b))

print('合并结果：\n', c)

print('c的形状：\n', c.shape)

合并结果：

[1 1 1 2 2 2]

c的形状：

(6,)

可以看出，两个一维数组对象横向合并后，还是一个一维的序列，不过，元素的个数是被合并数组元素个数之和

将a或b行转成列

a = a.T

print(a)

[1 1 1]

上面的方式是无法将a进行行转列的，原因是a是个一维数组，它根本就没有列，正确的方式是：

c = a.reshape((3, 1))

print(c)

[[1]

[1]

[1]]

重新定义形状后，现在a是一个3行1列的矩阵，即一个二维数据

思考：a.reshape()是将a所指向的数组的形状改变了吗？再来查看a

print(a)

[1 1 1]

实际上，a.reshape()只是创建了一个a的副本，然后将该副本的内存地址赋给了变量c，而a变量所指向的数组还是原来的对象

newaxis属性

还有另外一组方式可以改变a的形状，也是返回一个不置可否；axis表示“轴”的意思

# 在行上增加一个维度(增加一个轴)

c = a[np.newaxis, :]

print(c)

print(c.shape)

print('-'*15)

# 在列上增加一个维度

c = a[:, np.newaxis]

print(c)

print(c.shape)

[[1 1 1]]

(1, 3)

---------------

[[1]

[1]

[1]]

(3, 1)

可以看出，返回的新对象的维度都已经发生了变化，在列方向上增加维度以后，将原先的一维数组变成了纵向的二维数组

_a = a[:, np.newaxis]

_b = b[:, np.newaxis]

c = np.hstack((_a, _b))

print(c)

[[1 2]

[1 2]

[1 2]]

也可以将同一个对象进行合并

print(np.hstack((_a, _a, _b, _b)))

[[1 1 2 2]

[1 1 2 2]

[1 1 2 2]]

concatenate()也可以将数组进行合并，通过axis可以指定合并的方向

# 横向合并

c = np.concatenate((_a, _a, _b, _b), axis=1)

# 纵向合并

d = np.concatenate((_a,_b), axis=0)

print(c)

print('-'*10)

print(d)

[[1 1 2 2]

[1 1 2 2]

[1 1 2 2]]

----------

[[1]

[1]

[1]

[2]

[2]

[2]]

ndarray的分割

定义操作的数据源

# 定义操作的数据源

a = np.arange(12).reshape((3,4))

print(a)

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

按列分割

print(a)

print('-'*15)

print(np.split(a, 2, axis=1))

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

---------------

[array([[0, 1],

[4, 5],

[8, 9]]), array([[ 2, 3],

[ 6, 7],

[10, 11]])]

split第一个参数指要被分割的数组对象，第二个参数指将该对象分成几份，第三个参数指是从横向分割还是纵向分割，这里按列将其分成了两部分，类似于一个西瓜从上切下，切成了左右两半！按列分割，指定参数axis=1

按行分割

print(a)

print('-'*15)

print(np.split(a, 3, axis=0))

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

---------------

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

split第一个参数指要被分割的数组对象，第二个参数指将该对象分成几份，第三个参数指是从横向分割还是纵向分割，这里按行将其分成了三部分，类似于一个西瓜肚子上横切两刀，切成了上中下三部分！按行分割，指定参数axis=0

如果要将三行的数据分成2份，是分报错的，如下

print(np.split(a, 2, axis=0))

---------------------------------------------------------------------------

TypeError Traceback (most recent call last)

~\Anaconda3\envs\tensorflow\lib\site-packages\numpy\lib\shape_base.py in split(ary, indices_or_sections, axis)

534 try:

--> 535 len(indices_or_sections)

536 except TypeError:

TypeError: object of type 'int' has no len()

During handling of the above exception, another exception occurred:

ValueError Traceback (most recent call last)

in ()

----> 1 print(np.split(a, 2, axis=0))

~\Anaconda3\envs\tensorflow\lib\site-packages\numpy\lib\shape_base.py in split(ary, indices_or_sections, axis)

539 if N % sections:

540 raise ValueError(

--> 541 'array split does not result in an equal division')

542 res = array_split(ary, indices_or_sections, axis)

543 return res

ValueError: array split does not result in an equal division

如果要对数组进行不对等分割，类似于3行分成2份，则需要用到np.array_split()

print(a)

print('-'*15)

print(np.array_split(a, 2, axis=0))

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

---------------

[array([[0, 1, 2, 3],

[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

在不对等的分割中，并不会出现1.5行这样的情况，所以会分成2行和1行

vsplit()和hsplit()

# 纵向分割

print(np.vsplit(a, 3))

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

vsplit()中的v是指Vertical的意思，指纵向的，垂直的；按行分割就是纵向分割，因为数据被分成了上下部分，类似于西瓜横切

# 横向分割

print(np.hsplit(a, 2))

[array([[0, 1],

[4, 5],

[8, 9]]), array([[ 2, 3],

[ 6, 7],

[10, 11]])]

hsplit()中的h是Horizontal的意思，指横向；按列分割就是横向的意思，因为将数据分成了左右两半，就像西瓜纵切