一、np.stack()

1.1 基本语法

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

arrays：表示一个类数组（元组、列表、数组）的序列，可以是单个，也可以是多个（各个维度上的形状必须相同）然后用圆括号或中括号括起来。

axis：表示沿着哪个轴进行堆叠。

1.2 代码案例

首先构造以下的单个数组。

arrays = [np.arange(8).reshape(2,2,2) for _ in range(5)]
print(arrays)
print(np.shape(arrays))

# [array([[[0, 1],
#         [2, 3]],

#        [[4, 5],
#         [6, 7]]]), array([[[0, 1],
#         [2, 3]],

#        [[4, 5],
#         [6, 7]]]), array([[[0, 1],
#         [2, 3]],

#        [[4, 5],
#         [6, 7]]]), array([[[0, 1],
#         [2, 3]],

#        [[4, 5],
#         [6, 7]]]), array([[[0, 1],
#         [2, 3]],

#        [[4, 5],
#         [6, 7]]])]
# (5, 2, 2, 2)

当axis=0时，输出如下。可以看出，输出前和输出后的形状完全没有变，也就是说当axis为0时，这个函数执行之后的结果就是把原来的类数组变为纯粹的数组。

arrays = [np.arange(8).reshape(2,2,2) for _ in range(5)]
print(np.stack(arrays, axis=0))
print(np.stack(arrays, axis=0).shape)

# [[[[0 1]
#    [2 3]]

#   [[4 5]
#    [6 7]]]


#  [[[0 1]
#    [2 3]]

#   [[4 5]
#    [6 7]]]


#  [[[0 1]
#    [2 3]]

#   [[4 5]
#    [6 7]]]


#  [[[0 1]
#    [2 3]]

#   [[4 5]
#    [6 7]]]


#  [[[0 1]
#    [2 3]]

#   [[4 5]
#    [6 7]]]]
# (5, 2, 2, 2)

当axis=1时，输出如下。可以看出，输出前和输出后的形状发生改变，原来第1个维度的shape=5转移到了新的axis参数所指维度的shape上。

arrays = [np.arange(8).reshape(2,2,2) for _ in range(5)]
print(np.stack(arrays, axis=1))
print(np.stack(arrays, axis=1).shape)

# [[[[0 1]
#    [2 3]]

#   [[0 1]
#    [2 3]]

#   [[0 1]
#    [2 3]]

#   [[0 1]
#    [2 3]]

#   [[0 1]
#    [2 3]]]


#  [[[4 5]
#    [6 7]]

#   [[4 5]
#    [6 7]]

#   [[4 5]
#    [6 7]]

#   [[4 5]
#    [6 7]]

#   [[4 5]
#    [6 7]]]]
# (2, 5, 2, 2)

当axis=2时，输出如下。可以看出，输出前和输出后的形状发生改变，原来第1个维度的shape=5转移到了新的axis参数所指维度的shape上。

arrays = [np.arange(8).reshape(2,2,2) for _ in range(5)]
print(np.stack(arrays, axis=2))
print(np.stack(arrays, axis=2).shape)

# [[[[0 1]
#    [0 1]
#    [0 1]
#    [0 1]
#    [0 1]]

#   [[2 3]
#    [2 3]
#    [2 3]
#    [2 3]
#    [2 3]]]


#  [[[4 5]
#    [4 5]
#    [4 5]
#    [4 5]
#    [4 5]]

#   [[6 7]
#    [6 7]
#    [6 7]
#    [6 7]
#    [6 7]]]]
# (2, 2, 5, 2)

当axis=3时，输出如下。可以看出，输出前和输出后的形状发生改变，原来第1个维度的shape=5转移到了新的axis参数所指维度的shape上。

arrays = [np.arange(8).reshape(2,2,2) for _ in range(5)]
print(np.stack(arrays, axis=3))
print(np.stack(arrays, axis=3).shape)

# [[[[0 0 0 0 0]
#    [1 1 1 1 1]]

#   [[2 2 2 2 2]
#    [3 3 3 3 3]]]


#  [[[4 4 4 4 4]
#    [5 5 5 5 5]]

#   [[6 6 6 6 6]
#    [7 7 7 7 7]]]]
# (2, 2, 2, 5)

由于原类数组本身就只有4个维度（对应0 1 2 3），所以axis不能再升到4了。

1.3 原理讲解

这一部分主要是讲上面的四种结果是如何一步步得出来的。

（1）当axis=0时，就是把下图中第一个中括号拆开后得到的2*2*2的数组分别看成一个整体，然后再遍历第一个维度下的指定axis的每一个整体，也即array[0, :, :, :]、array[1, :, :, :]、array[2, :, :, :]、array[3, :, :, :]、array[4, :, :, :]。最后再把这5个array组合起来。

注意，因为shape=5(dim=0)，所以要遍历5次；因此最后得到的数组，axis=0对应的维度shape=5。