上一篇用到了np.concatenante方法处理数组拼接问题，这个方法在pandas库同样有pd.concat的方法对应，因而选择上述方法会比较熟悉且常用，详见上一篇博客：【python】numpy库数组拼接np.concatenate官方文档详解与实例。
对于数组处理的方法还是有很多，下面进一步详解其他方式，方便在实操过程中有更多的选择。
1、np.vstack & np.hstack
- np.vstack(tup)等价于np.concatenate(tup, axis=0)操作，vertical就是垂直方向上操作的意思
vstack(tup) #给对象传入元组
Parameters #多个数组的元组
----------
tup : sequence of ndarrays
Tuple containing arrays to be stacked. The arrays must have the same
shape along all but the first axis.
Returns #拼接好的多维数组
-------
stacked : ndarray
The array formed by stacking the given arrays.
Notes #等价于np.concatenate(tup, axis=0)操作
-----
Equivalent to ``np.concatenate(tup, axis=0)`` if `tup` contains arrays that
are at least 2-dimensional.- np.vstack(tup)实例：
In [4]: a = np.array([1, 2, 3])
...: b = np.array([2, 3, 4])
...: np.vstack((a,b))
...:
Out[4]:
array([[1, 2, 3],
[2, 3, 4]])
In [5]: a = np.array([[1], [2], [3]])
...: b = np.array([[2], [3], [4]])
...: np.vstack((a,b))
...:
Out[5]:
array([[1],
[2],
[3],
[2],
[3],
[4]])- np.hstack(tup)等价于np.concatenate(tup, axis=0)操作，horizontal就是水平方向上操作的意思
help(np.hsplit) #进行查看详细功能- np.hstack(tup)实例
In [6]: a = np.array([[1], [2], [3]])
...: b = np.array([[2], [3], [4]])
...: np.hstack((a,b))
...:
...:
Out[6]:
array([[1, 2],
[2, 3],
[3, 4]])
In [7]: a = np.array([1, 2, 3])
...: b = np.array([2, 3, 4])
...: np.hstack((a,b))
...:
...:
Out[7]: array([1, 2, 3, 2, 3, 4])2、np.column_stack& np.row_stack
- np.column_stack 官方文档
column_stack(tup) #如果传递的是一个一维数组，则会先将一维数组转化为2维数组，然后进一步进行拼接操作
Stack 1-D arrays as columns into a 2-D array.
Parameters
----------
tup : sequence of 1-D or 2-D arrays.
Arrays to stack. All of them must have the same first dimension.
Returns
-------
stacked : 2-D array
The array formed by stacking the given arrays.
- np.column_stack(tup)相当于np.concatenate((a1, a2, …), axis=1)，对竖轴的数组进行横向的操作，即操作对象是column轴实例：
#如果开始传入的是一维数组，首先将一维数组转化为2维数组
In [13]: a = np.array((1,2,3))
...: b = np.array((2,3,4))
...: np.column_stack((a,b))
...:
Out[13]:
array([[1, 2],
[2, 3],
[3, 4]])
#如果开始传入的是多维数组，则直接进行拼接操作
In [15]: a = np.array(((1,2,3),(4,3,2)))
...: b = np.array(((2,3,4),(2,12,2)))
...: np.column_stack((a,b))
...:
...:
Out[15]:
array([[ 1, 2, 3, 2, 3, 4],
[ 4, 3, 2, 2, 12, 2]])- np.row_stack等价于np.vstack
3、np.c_ & np.r_
np.c_ & np.r_是 np.column_stack& np.row_stack 的缩写
np.c_ & np.r_的语法与np.column_stack& np.row_stack有区别，np.c_ & np.r_是直接对数组进行操作，而np.column_stack& np.row_stack是对数组的元组或者列表操作。
np.c_ & np.r_实例：
# np.c_ 与np.column_stack 是一个意思，对数组的column列的数据进行横向操作
In [24]: a = np.array([1, 2, 3])
In [25]: b = np.array([2, 3, 4])
In [26]: np.c_[a,b]
Out[26]:
array([[1, 2],
[2, 3],
[3, 4]])
# np.r_ 与np.row_stack 不完全等价，因为操作对象不一样
In [31]: a = np.array((1,2,3))
...: b = np.array((2,3,4))
...: c = np.row_stack((a,b))
...: d = np.r_[a,b]
...:
In [32]: c
Out[32]:
array([[1, 2, 3],
[2, 3, 4]])
In [33]: d
Out[33]: array([1, 2, 3, 2, 3, 4])总结：
- np.concatenate(tup, axis=0)需要传递数组的元组或者列表、以及指定轴向。
- np.vstack(tup) 和 np.hstack(tup)只需传入数组的元组即可，轴向在函数定义时已经确定，v即vertical垂直方向上，horizontal即水平方向。
- np.row_stack(tup) 和 np.column_stack(tup)同样只需传入数组的元组即可，轴向同样在函数定义时已经确定，row_stack即对row的维度数据进行垂直方向的操作，column_stack对column的维度数据进行水平方向的操作。
- axis = 0 与 row_stack 中的row等价，row维度就是0轴，同理column维度就是1轴，所以这两个定义是指被操做的维度数据，而不是拼接方向；而vertical或者horizontal直接指定拼接方向。