将二维数组附加到一个单一的数组中。

Question

我可以帮您翻译成中文：

我有一个循环遍历2维np.arrays()，我需要将这些数组添加到一个单一的数组中。

在普通的Python中，我会这样做

In [37]: a1 = [[1,2],[3,4]]

In [38]: b1 = [[5,6],[7,8]]

In [39]: l1 = []

In [40]: l1.append(a1)

In [41]: l1.append(b1)

In [42]: l1
Out[42]: [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]

如何使用numpy得到与l1相同的结果？

- gustavgans

Answer 1

只需使用以下代码：

l1 = np.array([a1,b1])

注意，在numpy中，您不会向数组追加元素。您需要先分配空间，然后再填充它们。

import numpy as np
a1 = np.array([[1,2],[3,4]])
b1 = np.array([[5,6],[7,8]])
#allocate exact size of the final array
l1 = empty(((2,)+a1.shape),dtype=a1.dtype)
l1[0]=a1
l1[1]=b1

或者使用其他人描述的许多辅助函数（如dstack，hstack，concatenate）。编辑：我发现上述两种解决方案非常易读且接近Python列表语法，但这是非常主观的。计算其速度时，您会发现这两个解决方案比基于concatenate提出的最快解决方案稍微快一些。此外请注意，这不会创建视图。

- gg349

---

确实，对于大型数组来说，这比我的建议快得多。 - unutbu

Answer 2

这里有一种方法可以从数组中生成该输出：

>>> np.dstack((a1,b1)).transpose(2,0,1)

array([[[ 1,  2],
        [ 3,  4]],

       [[ 5,  6],
        [ 7,  8]],

np.dstack函数产生一个3D数组，但是轴的顺序需要改变。我们想要将轴的顺序(0, 1, 2) 改为(2, 0, 1)，因此需要进行转置和交换轴的位置。

---

下面提供关于连接数组的有用信息，虽然目前并不直接相关。（在我的问题被指出之前就已经输入了该段文本）。

一个连接数组的方法是使用np.concatenate函数：

>>> np.concatenate((a1, b1))
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])

这会将数组堆叠在彼此下方。您还可以使用np.concatenate((a1, b1), axis=1)将数组并排连接在一起。（函数可以传入两个以上的数组。）

还有其他函数可以执行此操作；上述两个操作可以分别使用np.vstack((a1,b1))和np.hstack((a1,b1))完成。

如果要在3D数组中连接数组，可以使用np.dstack((a1,b1))：

array([[[1, 5],
        [2, 6]],

       [[3, 7],
        [4, 8]]])

请记住，与Python列表不同，Numpy数组无法在内存中动态增长。这些操作会导致复制数组，并用更大的数组填充新的内存块。如果数组很大，这可能效率低下。

- Alex Riley

---

这对于numpy的新手来说是非常好的信息。然而请注意，这些解决方案都没有提供所需的输出。 - gg349

@gg349 你说得很�� - 我读错了问题。我会删除这个答案，并在有机会时尝试修复。谢谢！ - Alex Riley

我认为答案应该保留，这对于提问者来说是有价值的信息。 - gg349

我不确定。使用 dstack 时，你应该从 1,2 开始，而不是 1,5。 - gg349

是的，这是正确的——如果数据需要以特定方式在内存中布局，那么copy('C')数组是必要的。因此，出于这个原因以及速度差异（dstack较慢），我更喜欢你和ubutnu的方法而不是我提出的方法。 - Alex Riley

Answer 3

a1 = np.array([[1,2],[3,4]])
b1 = np.array([[5,6],[7,8]])
l1 = np.r_['0,3', a1, b1]

产量

array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])

特殊指令'0,3'告诉np.r_沿axis=0连接，并产生至少三维的结果。

或者，使用concatenate和reshape更易读且更快：

l1 = np.concatenate([a1, b1]).reshape((2,)+a1.shape))

---

In [111]: a2 = np.tile(a1, (10000,1))

In [112]: b2 = np.tile(b1, (10000,1))

In [113]: %timeit np.r_['0,3', a2, b2].shape
10000 loops, best of 3: 62.4 µs per loop

In [114]: %timeit np.concatenate([a2, b2]).reshape((2,)+a2.shape)
10000 loops, best of 3: 39.8 µs per loop

- unutbu

---

在一般情况下，如果要进行重塑操作，您需要编写np.concatenate([a1, b1]).reshape((2,a1.shape[0],-1))。但我认为这并不更易读。 - gg349

@gg349：确实，可读性是主观的。对我来说，“concatenate/reshape”只是更易读，因为我比使用带有特殊指令的'0,3'的r_更频繁（我必须查找以记住如何使用）。 - unutbu