np.concatenate函数

原文链接

numpy.concatenate((a1, a2, ...), axis=0)

1、测试代码

 a = np.array([[1, 2], [3, 4]])
 b = np.array([[5, 6]])               b是一个二维array
 np.concatenate((a, b), axis=0)

结果

array([[1, 2],
       [3, 4],
       [5, 6]])
结论：列数必须相同，添加新的一行

2、测试代码 

np.concatenate((a, b.T), axis=1)

结果

array([[1, 2, 5],
       [3, 4, 6]])

结论：将b转置后添加新的一列
3、测试代码

a = np.array([[1, 2], [3, 4]])　　　　　　　　　　　　　　　　a、b的shape为（2,2），连接第一维就变成（4,2），连接第二维就变成（2,4）
b = np.array([[5, 6], [7, 8]])
np.concatenate((a,b),axis=0)

结果：4行2列
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])
4、测试代码

 c = np.concatenate((a,b),axis=1)

 c.shape  #查看c的维数大小

结果：2行4列

array([[1, 2, 5, 6],
       [3, 4, 7, 8]])

(2, 4)
5、高维数的连接（例如我之前使用matlab写的hd5格式的数据）

concatenate([a, b])

连接，连接后ndim不变，a和b可以有一维size不同，但size不同的维度必须是要连接的维度

例如，a.shape为(4,5,6,10)，b.shape为(4,5,6,20)

np.concatenate([a,b], axis=3) # 返回张量的shape为(4,5,6,30)
 
 
 
有助于理解的例子。第一个例子是一维的，这一维全是数字，第二个例子是二维的，实际上可以看作将数字换成向量的一维的array。第一个例子axis=0把所有的数字
连接，第二个例子axis=0就可以把所有的向量连接。第二个例子中axis=1，这表明axis=0的个数不发生变化，只变化axis=1。axis=0不发生变化，那两个array对
应的axis=0的元素就可以进行连接。这两个array中的元素是一维向量，就对一维向量进行连接（其实这时候就相当于第一个例子中的连接了）。
若把axis=1中的数字换成一维向量就可以推广到3维的axis=1时的变化，若换到更高维可以推广到更高维的变化。