NumPy 数组拼接与分割的使用详解

顽石三六五零一

目录

• 一、数组拼接（Concatenation）​
• 1. ​核心函数​
• 2. 代码示例​​
• 二、数组分割（Splitting）
• 1. ​核心函数
• 2. 代码示例
• 三、内存与性能
• 1. 拼接后的数组为新对象​​
• 2. 分割后的子数组为视图​​
• 四、实用场景
• 1. 数据集合并​​
• 2. ​​图像分块处理
• 3. 特征与标签分离
• 五、错误处理

NumPy 提供了多种方法用于​​数组拼接（Concatenation）​​和​分割（Splitting）​​，这些操作在数据预处理、特征工程和结果整合中至关重要。

一、数组拼接（Concatenation）​

1. ​核心函数​

函数	用途	适用场景
np.concatenate()	沿指定轴拼接多个数组	通用拼接（需数组维度一致）
np.vstack()	垂直（按行）拼接	二维数组的行叠加
np.hstack()	水平（按列）拼接	二维数组的列叠加
np.stack()	沿新轴堆叠数组	增加新维度（如通道维度）

2. 代码示例​​

• ​​np.concatenate

import numpy as np

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

# 沿轴0（行方向）拼接
c = np.concatenate((a, b), axis=0)  
print(c)
# 输出:
# [[1 2]
#  [3 4]
#  [5 6]]

• np.vstack 和 np.hstack

# 垂直拼接（等效于 concatenate(axis=0）
v_combined = np.vstack([a, b])  # 结果同上

# 水平拼接（要求行数相同）
d = np.array([[7], [8]])        # shape (2,1)
h_combined = np.hstack([a, d])  
print(h_combined)
# 输出:
# [[1 2 7]
#  [3 4 8]]

• np.stack 增加新维度

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

# 沿新轴0堆叠（创建三维数组）
stacked = np.stack([x, y], axis=0)  # shape (2,3)
print(stacked)
# 输出:
# [[1 2 3]
#  [4 5 6]]

二、数组分割（Splitting）

1. ​核心函数

|函数 |用途 |适用场景|
|np.split() |沿指定轴均匀分割数组 |等分数组（需可整除）|
|np.vsplit() |垂直分割（按行） |二维数组的行分割|
|np.hsplit() |水平分割（按列） |二维数组的列分割|
|np.array_split() |支持不均匀分割 |处理无法整除的情况|

2. 代码示例

• np.split 均匀分割

arr = np.arange(9).reshape(3, 3)  # [[0 1 2], [3 4 5], [6 7 8]]

# 沿轴0分割为3个子数组（每行一个）
sub_arrays = np.split(arr, 3, axis=0)  
# 结果: [array([[0,1,2]]), array([[3,4,5]]), array([[6,7,8]])]

• np.array_split 不均匀分割

# 将6个元素分割为4个子数组（允许不等分）
arr = np.arange(6)  # [0 1 2 3 4 5]
subs = np.array_split(arr, 4)  
# 结果: [array([0,1]), array([2,3]), array([4]), array([5])]
subs

• np.hsplit 按列分割

matrix = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

# 在第2列和第3列间分割
split_cols = np.hsplit(matrix, [2])  
# 结果: 
# [array([[1, 2], [5, 6]]), 
#  array([[3, 4], [7, 8]])]
split_cols

三、内存与性能

1. 拼接后的数组为新对象​​

• 拼接操作​​始终生成新数组​​（原数据不受影响）
• 内存占用较高（需存储拼接后的完整数据）

2. 分割后的子数组为视图​​

• split() 返回的是​​原数组的视图​​（共享内存）
• 修改子数组会影响原数据

arr = np.arange(9).reshape(3, 3)
sub_arrays = np.split(arr, 3, axis=0)
sub_arrays[0][0,0] = 100
print(sub_arrays)  # 输出: [array([[100, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
print(arr[0, 0])  # 输出: 100 → 原数组被修改！

四、实用场景

1. 数据集合并​​

# 合并训练集和验证集
X_train = np.random.rand(100, 5)
X_val = np.random.rand(20, 5)
X_combined = np.concatenate([X_train, X_val], axis=0)

2. ​​图像分块处理

# 将大图像分割为8x8小块
image = np.random.rand(256, 256)
blocks = np.split(image, 32, axis=0)  # 先垂直分割
blocks = [np.split(block, 32, axis=1) for block in blocks]  # 再水平分割

image
blocks

3. 特征与标签分离

data = np.loadtxt("dataset.csv", delimiter=",")
X, y = np.hsplit(data, [-1])  # 最后一列为标签

五、错误处理

常见错误​​ ​	​解决方法​​
拼接维度不匹配	检查 axis 方向的数据形状一致性
分割数量无法整除	改用 np.array_split
修改子数组影响原数据	使用 .copy() 创建独立副本