我们已经学习了怎样使用reshape函数，现在来学习一下怎样将数组展平。
(1) ravel 我们可以用ravel函数完成展平的操作：
In: b
Out:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9,10,11]],
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
In: b.ravel()
Out:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
(2) flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。
不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）：
In: b.flatten()
Out:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
(3) 用元组设置维度 除了可以使用reshape函数，我们也可以直接用一个正整数元组来设
置数组的维度，如下所示：
In: b.shape = (6,4)
In: b
Out:
array([ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9,10,11],
[12,13,14,15],
[16,17,18,19],
[20,21,22,23]],
正如你所看到的，这样的做法将直接改变所操作的数组，现在数组b成了一个6×4的多维数组。
(4) transpose 在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：
In: b.transpose()
Out:
array([[ 0, 4, 8, 12, 16, 20],
[ 1, 5, 9, 13, 17, 21],
[ 2, 6,10, 14, 18, 22],
[ 3, 7,11, 15, 19, 23]])
(5) resize resize和reshape函数的功能一样，但resize会直接修改所操作的数组：
In: b.resize((2,12))
In: b
Out:
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11],
[12,13,14,15,16,17,18,19,20,21, 22, 23]])
刚才做了些什么
我们用ravel、flatten、reshape和resize函数对NumPy数组的维度进行了修改。
动手实践：组合数组
首先，我们来创建一些数组：
In: a = arange(9).reshape(3,3)
In: a
Out:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
In: b = 2 * a
In: b
Out:
array([[ 0, 2, 4],
[ 6, 8, 10],
[12, 14,16]])
(1) 水平组合 我们先从水平组合开始练习。将ndarray对象构成的元组作为参数，传给
hstack函数。如下所示：
In: hstack((a, b))
Out:
array([[ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8,10],
[ 6, 7, 8,12,14,16]])
我们也可以用concatenate函数来实现同样的效果，如下所示：
In: concatenate((a, b), axis=1)
Out:
array([[ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8,10],
[ 6, 7, 8,12,14,16]])
(2) 垂直组合 垂直组合同样需要构造一个元组作为参数，只不过这次的函数变成了
vstack。如下所示：
In: vstack((a, b))
Out:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8,10],
[12,14,16]])
同样，我们将concatenate函数的axis参数设置为0即可实现同样的效果。这也是axis参
数的默认值：
In: concatenatel((a, b), axis = 0)
Out:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8,10],
[12,14,16]])
(3) 深度组合 将相同的元组作为参数传给dstack函数，即可完成数组的深度组合。所谓
深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平
面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么
是深度组合。
In: dstack((a, b))
Out:
array([[[0, 0],
[1, 2],
[2, 4]],
[[3, 6],
[4, 8],
[5,10]],
[[6,12],
[7,14],
[8,16]]])
(4) 列组合 column_stack函数对于一维数组将按列方向进行组合，如下所示：
In: oned = arange(2)
In: oned
Out: array([0, 1])
In: twice_oned = 2 * oned
In: twice_oned
Out: array([0, 2])
In: column_stack((oned, twice_oned))
Out:
array([[0, 0],
[1, 2]])
而对于二维数组，column_stack与hstack的效果是相同的：
In: column_stack((a, b))
Out:
array([[ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8,10],
[ 6, 7, 8,12,14,16]])
In: column_stack((a, b)) == hstack((a, b))
Out:
array([[ True, True, True, True, True, True],
[ True, True, True, True, True, True],
[ True, True, True, True, True, True]], dtype=bool)
是的，你猜对了！我们可以用==运算符来比较两个NumPy数组，是不是很简洁？
(5) 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是row_stack。对于两
个一维数组，将直接层叠起来组合成一个二维数组。
In: row_stack((oned, twice_oned))
Out:
array([[0, 1],
[0, 2]])
对于二维数组，row_stack与vstack的效果是相同的：
In: row_stack((a, b))
Out:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8,10],
[12,14,16]])
In: row_stack((a,b)) == vstack((a, b))
Out:
array([[ True, True, True],
[ True, True, True],
[ True, True, True],
[ True, True, True],
[ True, True, True],
[ True, True, True]], dtype=bool)
刚才做了些什么
我们按照水平、垂直和深度等方式进行了组合数组的操作。我们使用了vstack、dstack、
hstack、column_stack、row_stack以及concatenate函数。