numpy中有很多关于两个array的操作，叠加方式以及叠加后的维度经常令人迷惑，这篇文章总价一下。
一、 叠加操作
1.add
逐元素操作，若是array 常量会广播到每个元素，若是array array则要求两个array的shape一致。
end = '\n' '*'*50 '\n' a = np.array([[1,2],[3,4]]) b = np.array([[5,6], [7,8]]) print(a 1, end=end) print(a b)
输出：
[[2 3]
[4 5]]
**************************************************
[[ 6 8]
[10 12]]
2.concatenate
在指定维度将两个array进行拼接，不会改变array的维度，要求两个array的维度相同，且在指定的拼接维度的array size也必须相等，值得注意的是，两个array的shape不一定一致，比较拗口，看下例子：
end = '\n' '*'*50 '\n' a = np.array([[1,2],[3,4]]) b = np.array([[5,6], [7,8]]) c = np.array([[5,6]]) d = np.array([5,6]) f = np.array([[5]])
a & c 的shape并不相同：
维度不一致：
长度不一致：
3.stack & hstack
stack 在垂直方向上拼接两个array（可以指定axis），要求两个array的shape严格一致，结果会增加维度；
hstack 在水平方向（第0维，不可制定axis）拼接两个array，要求两者的维度相同，且在第0维的size也相同，拼接结果不改变原有维度 。
stack:结果会在原有维度的基础上加1
hstack，a和c在0轴的size不同：
hstack，转置后正常拼接：
二、 size & ndim & shape
这三个概念很容易搞混，其中：
-
size：指的是“元素个数”； -
ndim：维度，指的是“有多少层嵌套”，即中括号个数，同时和shape的len相等，axis=0指的是最外层中括号，往里依次递增； -
shape：size和ndim综合起来就是shape，两个array的shape相同则意味着两者的ndim相同且在每一个axis上的size也相同。
看下例子：
值得注意的是，ndim和size以及shape没有必然联系，一个ndim不为0的array可能一个元素也没有：
size相同，shape和ndim也不一定相同：
总结
到此这篇关于numpy两个array叠加操作的文章就介绍到这了,更多相关numpy两个array叠加内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！