NumPy 中用于合并（或组合）多个数组的函数

原创于 2026-01-11 08:21:08 发布 · 939 阅读

11 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

Python学习

以下是对 NumPy 中用于合并（或组合）多个数组的函数 的全面、系统、深入且结构清晰的详解。我们将涵盖所有主流函数（包括 concatenate、stack、vstack、hstack、dstack、column_stack、row_stack、block、r_/c_ 等），详细说明其：

功能原理
输入要求
输出形状
与其它函数的关系
典型应用场景
常见陷阱与注意事项

并辅以大量代码示例和对比表格，确保你彻底掌握 NumPy 数组合并的全貌。

一、核心概念：什么是“合并”？

在 NumPy 中，“合并”通常指将两个或多个数组组合成一个更大的数组。根据是否引入新维度，可分为两类：

沿已有轴拼接（Concatenation）：不增加维度，只是延长某个方向。
- 如：把两个 (3,) 向量拼成 (6,) 向量。
沿新轴堆叠（Stacking）：创建一个新维度，将原数组作为“切片”放入。
- 如：把两个 (3,) 向量堆成 (2, 3) 矩阵。

理解这一区别是掌握所有合并函数的关键。

二、主要合并函数详解

1. `np.concatenate`

功能

沿已存在的轴连接数组序列。

语法

np.concatenate(arrays, axis=0, out=None)

要求

所有输入数组必须具有相同的维数（ndim）。
除 axis 维度外，其余维度的大小必须完全一致。

输出形状

与输入数组相同维度，仅 axis 方向长度相加。

示例

# 1D
a = np.array([1, 2]); b = np.array([3, 4])
np.concatenate([a, b])  # [1 2 3 4], shape=(4,)

# 2D, axis=0（行拼接）
A = np.array([[1, 2]]); B = np.array([[3, 4]])
np.concatenate([A, B], axis=0)  # [[1 2], [3 4]], shape=(2,2)

# 2D, axis=1（列拼接）
C = np.array([[1], [2]]); D = np.array([[3], [4]])
np.concatenate([C, D], axis=1)  # [[1 3], [2 4]], shape=(2,2)

注意

不支持自动升维。若想拼接 1D 到 2D，需先 reshape。
axis=None 会先展平所有数组再拼接（等价于 np.hstack + flatten）。

2. `np.stack`

功能

沿新创建的轴堆叠数组，强制所有输入形状完全相同。

语法

np.stack(arrays, axis=0, out=None)

要求

所有数组必须形状完全一致（包括维度数和各维大小）。
axis 可为负值（如 axis=-1 表示最后一维）。

输出形状

原形状插入一个新维度：new_shape = old_shape[:axis] + (N,) + old_shape[axis:]，其中 N 是数组个数。

示例

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

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

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

# 2D 示例
X = np.ones((2,3)); Y = np.zeros((2,3))
np.stack([X, Y], axis=2)  # shape=(2,3,2)

与 concatenate 对比

特性	`concatenate`	`stack`
是否新增维度	❌	✅
输入形状要求	除 axis 外一致	完全一致
用途	扩展数据集	构造高维结构（batch、通道等）

3. `np.vstack`（Vertical Stack）

功能

垂直堆叠（按行方向拼接）。对 1D 数组特殊处理：自动升维为 (1, n)。

等价形式

对 ≥2D 数组：np.concatenate(..., axis=0)
对 1D 数组：先 reshape 为 (1, n) 再拼接

示例

# 1D → 自动升维
a = np.array([1, 2]); b = np.array([3, 4])
np.vstack([a, b])
# [[1 2]
#  [3 4]], shape=(2,2)

# 2D
A = np.array([[1, 2]]); B = np.array([[3, 4]])
np.vstack([A, B])  # same as concatenate(axis=0)

注意

不适用于标量（0D）。
若混合 1D 和 2D，需确保列数匹配。

4. `np.hstack`（Horizontal Stack）

功能

水平堆叠（按列方向拼接）。

行为

对 1D：直接拼接成更长的 1D（等价于 concatenate）
对 ≥2D：concatenate(..., axis=1)

示例

# 1D
a = [1,2]; b = [3,4]
np.hstack([a,b])  # [1 2 3 4]

# 2D
A = [[1],[2]]; B = [[3],[4]]
np.hstack([A,B])  # [[1,3],[2,4]]

5. `np.dstack`（Depth Stack）

功能

沿**第 3 轴（深度）**堆叠，常用于图像通道合并。

等价

对 2D 数组：np.stack(..., axis=2)
对 1D 数组：先升维为 (1,1,n)？实际行为更复杂，建议避免混用。

示例

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

常用于将 R、G、B 三个 (H,W) 图像合成 (H,W,3) 彩色图。

6. `np.column_stack`

功能

将 1D 或 2D 数组按列组合成 2D 矩阵。

特殊规则

对 1D 数组：视为列向量（自动转为 (n,1)）
对 2D 数组：直接按列拼接（同 hstack）

示例

x = np.array([1, 2, 3])    # (3,)
y = np.array([4, 5, 6])    # (3,)
np.column_stack([x, y])
# [[1 4]
#  [2 5]
#  [3 6]]  ← 每个输入成为一列

# 与 stack(axis=1) 等价
np.stack([x, y], axis=1)  # 相同结果

非常适合将多个特征向量组合成设计矩阵（design matrix）。

7. `np.row_stack`

功能

等价于 np.vstack，仅为语义清晰提供别名。

np.row_stack == np.vstack  # True

8. `np.block`

功能

最灵活的合并函数，支持嵌套列表构建分块矩阵（block matrix）。

特点

可混合不同形状的子数组（只要最终能对齐）
支持任意嵌套层级
自动推断维度

示例

A = np.eye(2) * 2      # [[2,0],[0,2]]
B = np.ones((2,3))     # [[1,1,1],[1,1,1]]
C = np.zeros((3,2))    # [[0,0],[0,0],[0,0]]
D = np.eye(3) * 3      # 3x3

# 构建分块矩阵 [[A, B],
#               [C, D]]
M = np.block([[A, B],
              [C, D]])
print(M.shape)  # (5, 5)

类似 MATLAB 的 [A B; C D] 语法。

注意

子块必须在非拼接维度上对齐（如 A 和 B 必须行数相同）。
比 concatenate 更高层，适合构造复杂结构。

9. `np.r_` 和 `np.c_`（便捷索引器）

功能

通过类似切片的语法快速拼接数组。

np.r_：类似 vstack（按行）
np.c_：类似 column_stack（按列）

示例

# r_: 拼接行（1D 变多行）
np.r_[1:4, 0, 0]  # [1 2 3 0 0]

a = np.array([1,2]); b = np.array([3,4])
np.r_[a, b]       # [1 2 3 4] （1D 拼接）

# c_: 拼接列
np.c_[a, b]
# [[1 3]
#  [2 4]]

# 也可用于生成网格
x = np.array([1,2]); y = np.array([10,20])
np.c_[x, y, x+y]
# [[1 10 11]
#  [2 20 22]]

底层调用 concatenate 或 column_stack，适合交互式使用。

三、函数关系与等价性总结

函数	等价表达式	适用场景
`vstack`	`concatenate(axis=0)`（对 ≥2D） 1D 自动升维	快速上下拼接
`hstack`	`concatenate(axis=1)`（对 ≥2D） 1D 直接拼接	快速左右拼接
`dstack`	`stack(axis=2)`（对 2D）	图像通道、深度堆叠
`column_stack`	`stack(axis=1)`（对 1D） `hstack`（对 2D）	特征列组合
`row_stack`	`vstack`	语义清晰
`r_` / `c_`	封装了 `concatenate`/`column_stack`	快捷交互式拼接
`block`	多层 `concatenate` 组合	复杂分块矩阵

四、选择指南：何时用哪个？

场景	推荐函数
合并两个样本列表（如训练集+验证集）	`concatenate`
将多个向量组成矩阵的列	`column_stack` 或 `stack(axis=1)`
构造 batch 数据（如 10 张图像 → (10, H, W)）	`stack`
RGB 三通道合成彩色图像	`dstack` 或 `stack(axis=-1)`
快速上下拼接表格数据	`vstack`
快速左右拼接特征	`hstack`
构建分块矩阵（如线性代数中的增广矩阵）	`block`
交互式快速拼接	`r_` / `c_`

五、常见错误与调试技巧

维度不匹配
- 报错：ValueError: all the input array dimensions except for the concatenation axis must match exactly
- 解决：检查 shape，必要时用 reshape 或 np.newaxis 调整。
axis 越界
- 1D 数组没有 axis=1
- 解决：先确认数组维度：arr.ndim
混淆 stack 与 concatenate
- 错误预期：以为 stack 会延长数组
- 正确理解：stack 是“打包”，concatenate 是“拉长”
混合 1D/2D 导致意外升维
- vstack([1D, 2D]) 可能出错
- 建议：统一输入维度后再操作