- NumPy 教程
- NumPy - 首页
- NumPy - 简介
- NumPy - 环境
- NumPy 数组
- NumPy - Ndarray 对象
- NumPy - 数据类型
- NumPy 创建和操作数组
- NumPy - 数组创建例程
- NumPy - 数组操作
- NumPy - 从现有数据创建数组
- NumPy - 从数值范围创建数组
- NumPy - 遍历数组
- NumPy - 数组重塑
- NumPy - 数组连接
- NumPy - 数组堆叠
- NumPy - 数组分割
- NumPy - 数组扁平化
- NumPy - 数组转置
- NumPy 索引和切片
- NumPy - 索引和切片
- NumPy - 高级索引
- NumPy 数组属性和操作
- NumPy - 数组属性
- NumPy - 数组形状
- NumPy - 数组大小
- NumPy - 数组步长
- NumPy - 数组元素大小
- NumPy - 广播
- NumPy - 算术运算
- NumPy - 数组加法
- NumPy - 数组减法
- NumPy - 数组乘法
- NumPy - 数组除法
- NumPy 高级数组操作
- NumPy - 交换数组轴
- NumPy - 字节交换
- NumPy - 副本和视图
- NumPy - 元素级数组比较
- NumPy - 数组过滤
- NumPy - 数组连接
- NumPy - 排序、搜索和计数函数
- NumPy - 搜索数组
- NumPy - 数组并集
- NumPy - 查找唯一行
- NumPy - 创建日期时间数组
- NumPy - 二元运算符
- NumPy - 字符串函数
- NumPy - 数学函数
- NumPy - 统计函数
- NumPy - 矩阵库
- NumPy - 线性代数
- NumPy - Matplotlib
- NumPy - 使用 Matplotlib 绘制直方图
- NumPy - NumPy 的 I/O 操作
- NumPy 排序和高级操作
- NumPy - 数组排序
- NumPy - 沿轴排序
- NumPy - 使用花式索引排序
- NumPy - 结构化数组
- NumPy - 创建结构化数组
- NumPy - 操作结构化数组
- NumPy - 字段访问
- NumPy - 记录数组
- Numpy - 加载数组
- Numpy - 保存数组
- NumPy - 将值追加到数组
- NumPy - 交换数组的列
- NumPy - 将轴插入数组
- NumPy 处理缺失数据
- NumPy - 处理缺失数据
- NumPy - 识别缺失值
- NumPy - 删除缺失数据
- NumPy - 填充缺失数据
- NumPy 性能优化
- NumPy - 使用数组进行性能优化
- NumPy - 使用数组进行矢量化
- NumPy - 数组的内存布局
- Numpy 线性代数
- NumPy - 线性代数
- NumPy - 矩阵库
- NumPy - 矩阵加法
- NumPy - 矩阵减法
- NumPy - 矩阵乘法
- NumPy - 元素级矩阵运算
- NumPy - 点积
- NumPy - 矩阵求逆
- NumPy - 行列式计算
- NumPy - 特征值
- NumPy - 特征向量
- NumPy - 奇异值分解
- NumPy - 求解线性方程组
- NumPy - 矩阵范数
- NumPy 元素级矩阵运算
- NumPy - 求和
- NumPy - 求平均值
- NumPy - 求中位数
- NumPy - 求最小值
- NumPy - 求最大值
- NumPy 集合运算
- NumPy - 唯一元素
- NumPy - 交集
- NumPy - 并集
- NumPy - 差集
- NumPy 有用资源
- NumPy 编译器
- NumPy - 快速指南
- NumPy - 有用资源
- NumPy - 讨论
NumPy stack() 函数
NumPy 的stack()函数用于沿着新轴连接一系列数组。所有输入数组必须具有相同的形状。
此函数对于在指定维度上组合相同形状的数组同时在输出数组中创建新维度非常有用。例如,沿着新轴堆叠两个二维数组会创建一个三维数组。
语法
NumPy stack() 函数的语法如下:
numpy.stack(arrays, axis=0, out=None, *, dtype=None, casting='same_kind')
参数
- arrays: 这些是要堆叠的数组。所有数组必须具有相同的形状。
- axis: 沿着该轴堆叠数组。它必须介于 0 和输入数组的维度数之间。
- out: 如果提供,则为放置结果的目标位置。它应该具有合适的形状和数据类型。
- dtype: 如果提供,则为结果数组要使用的 dtype。
- casting: 控制可能发生的哪种数据转换。
返回值
stack() 函数返回一个堆叠数组,其维度比输入数组多一个。
示例 1
以下是使用 NumPy stack() 函数的基本示例。在此示例中,两个一维数组沿着新轴堆叠,生成一个二维数组。
import numpy as np array1 = np.array([1, 2, 3]) array2 = np.array([4, 5, 6]) stacked_array = np.stack((array1, array2)) print("Stacked Array:\n", stacked_array)
输出
Stacked Array: [[1 2 3] [4 5 6]]
示例 2
这是另一个使用 stack() 函数的示例,在此示例中,两个二维数组沿着轴 1 堆叠,生成一个三维数组。
import numpy as np array1 = np.array([[1, 2], [3, 4]]) array2 = np.array([[5, 6], [7, 8]]) stacked_array = np.stack((array1, array2), axis=1) print("Stacked Array:\n", stacked_array)
输出
Stacked Array: [[[1 2] [5 6]] [[3 4] [7 8]]]
示例 3
在此示例中,两个三维数组沿着轴 2 堆叠,生成一个四维数组。
import numpy as np array1 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) array2 = np.array([[[9, 10], [11, 12]], [[13, 14], [15, 16]]]) stacked_array = np.stack((array1, array2), axis=2) print("Stacked Array:\n", stacked_array)
输出
Stacked Array: [[[[ 1 2] [ 9 10]] [[ 3 4] [11 12]]] [[[ 5 6] [13 14]] [[ 7 8] [15 16]]]]
numpy_array_manipulation.htm
广告