Question

numpy vstack和column_stack之间究竟有什么区别？阅读文档，看起来column_stack是1D数组vstack的实现。这是一个更有效的实施吗？否则，我找不到只有vstack的原因。

Answer 1

我认为以下代码可以很好地说明差异：

>>> np.vstack(([1,2,3],[4,5,6]))
array([[1, 2, 3],
       [4, 5, 6]])
>>> np.column_stack(([1,2,3],[4,5,6]))
array([[1, 4],
       [2, 5],
       [3, 6]])
>>> np.hstack(([1,2,3],[4,5,6]))
array([1, 2, 3, 4, 5, 6])

我还包括hstack进行比较。注意column_stack如何沿第二维堆叠，而vstack沿第一维堆叠。相当于column_stack的是以下hstack命令：

>>> np.hstack(([[1],[2],[3]],[[4],[5],[6]]))
array([[1, 4],
       [2, 5],
       [3, 6]])

我希望我们同意column_stack更方便。

Answer 2

在column_stack的“备注”部分中，它指出了这一点：

此功能相当于np.vstack(tup).T。

numpy中有许多函数可以方便地包装其他函数。例如，vstack的Notes部分说：

如果tup包含至少为2维的数组，则等效于np.concatenate(tup, axis=0)。

看起来column_stack只是vstack的便利函数。

Answer 3

hstack水平堆叠：

1 1     0 0     hstack     1 1 0 0
1 1     0 0       ->       1 1 0 0

vstack垂直堆叠：

1 1            1 1    
1 1   vstack   1 1
        ->     0 0 
0 0            0 0 
0 0

hstack的问题在于，当您追加一列时，首先需要将其从1d数组转换为2d列，因为在numpy中，通常将1d数组解释为2d上下文中的向量行：

a = np.ones(2)          # 2d, shape = (2, 2)
b = np.array([0, 0])    # 1d, shape = (2,)

hstack((a, b)) -> dimensions mismatch error

所以

hstack((a, b[:, None]))     # None is a shortcut for np.newaxis here

或

column_stack((a, b))

对于（未记录的）row_stack，它只是vstack的同义词，因为一维数组可以用作矩阵行，而无需额外的工作。

numpy vstack vs. column_stack

3 个答案: