【Numpy】np.stack 和 np.concatenate 的区别

以下是一个简单的示例，通过形象化地解释 np.stack 和 np.concatenate 的区别，方便用于博客发布。

理解 np.stack 和 np.concatenate 的区别

在 Numpy 中，np.stack 和 np.concatenate 是用于合并数组的两种常见方法，它们的关键区别在于：

• np.stack：创建一个新的维度，将数组堆叠在一起。
• np.concatenate：沿着现有的维度拼接数组，不会新增维度。

示例数据

我们以两个形状相同的一维数组为例：

import numpy as np

a = np.array([1, 2, 3])  # shape: (3,)
b = np.array([4, 5, 6])  # shape: (3,)

1. 使用 np.concatenate

np.concatenate 会沿着指定的现有维度将数组拼接。
示例代码：

result = np.concatenate([a, b], axis=0)
print(result)  # 输出: [1 2 3 4 5 6]
print(result.shape)  # 输出: (6,)

• 结果形状：(6,)，拼接后的数组仍然是 一维数组。
• 本质：只是将两个数组的值排列在一起，没有新增维度。

2. 使用 np.stack

np.stack 会在新的维度上将数组堆叠起来。
示例代码：

result = np.stack([a, b], axis=0)
print(result)
# 输出:
# [[1 2 3]
#  [4 5 6]]
print(result.shape)  # 输出: (2, 3)

• 结果形状：(2, 3)，新增了一个维度，将数组堆叠成了一个 二维数组。
• 本质：np.stack 会创建一个新的维度，这里是在第 0 维堆叠了数组。

另一个维度上的 np.stack 示例

如果你在 最后一个维度（axis=-1）堆叠，会得到：

result = np.stack([a, b], axis=-1)
print(result)
# 输出:
# [[1 4]
#  [2 5]
#  [3 6]]
print(result.shape)  # 输出: (3, 2)

• 结果形状：(3, 2)，表示沿着最后一个维度堆叠，每个元素形成一个小数组。

总结表格

形象比喻

• np.concatenate 就像把两串珍珠（数组）连在一起，仍然是一条长串（同一维度）。
• np.stack 就像把珍珠串一层一层叠起来，形成一个二维的“珍珠塔”（新增维度）。