python将两个二维array叠加成三维array的实现方法_python 二维npy叠加

python将两个二维array叠加成三维array的实现方法

遇到这样一个需求：程序中每次循环生成一个二维array，需要把每次循环的二维array叠加成一个三维的array，例如有如下两个矩阵：

$$A=\left[\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{11}& a_{12}& a_{13}\end{array}\right]\text{\hspace{1em}(1)}$$

$$B=\left[\begin{array}{ccc}{b}_{11}& b_{12}& b_{13}\\ b_{21}& b_{22}& b_{23}\\ b_{11}& b_{12}& b_{13}\end{array}\right]\text{\hspace{1em}(2)}$$

组合成以下这种形式：

这样组合之后，有一个非常大的优点就是：保持原有的二维array的形式不变，便于以后取出，比如说我想从C中取出A，只需要执行：A=C[0,:]即可。

但是百度之后发现，在python中，numpy函数包中并没有对应的函数来实现三维array中不断添加二维array（有知道这个函数的欢迎在评论区告诉我）

这里，提供两种“曲线救国”的解决方案：

方法一：

对于两个（或者多个）同一维度的矩阵，直接利用np.array()重新构造一个array,这样可以变相起到扩展维数的作用。例如：

import numpy as np

a = np.array([[1,2,3],[4,5,6]])
b = np.array([[2,2,3],[4,5,6]])
c = np.array([[3,2,3],[4,5,6]])
print('矩阵a：\n',a)
print('维数：',a.shape)

com = np.array([a,b,c])
print('合并矩阵：\n',com)
print('维数：',com.shape)
1
2
3
4
5
6
7
8
9
10
11

输出结果为：

矩阵a：
 [[1 2 3]
 [4 5 6]]
维数： (2, 3)
合并矩阵：
 [[[1 2 3]
  [4 5 6]]

 [[2 2 3]
  [4 5 6]]

 [[3 2 3]
  [4 5 6]]]
维数： (3, 2, 3)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

方法二：

但是，如果两个array，使用方法一时会出现如下结果：

import numpy as np

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

com = np.array([aa,a])
print('合并矩阵：\n',com)
print('维数：',com.shape)
1
2
3
4
5
6
7
8

输出结果：

合并矩阵：
 [array([[[1, 2, 3],
        [4, 5, 6]],

       [[2, 2, 3],
        [4, 5, 6]],

       [[3, 2, 3],
        [4, 5, 6]]])
 array([[4, 2, 3],
       [4, 5, 6]])]
维数： (2,)

1
2
3
4
5
6
7
8
9
10
11
12
13

可以看到：输出的维数不对，以上方法就不适用了。

那么，我们就需要利用np.append和array.reshape()函数对数组进行拼接之后重组，具体实现如下：

import numpy as np

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
data = np.append(aa,a)#先拼接成一个行向量
print(data)

dim = aa.shape#获取原矩阵的维数
print('原矩阵维数：',dim)
data1 = data.reshape(dim[0]+1,dim[1],dim[2])#再通过原矩阵的维数重新组合

print('合并矩阵：\n',data1)
print('维数：',data1.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13

输出结果：

方法三：

相比于前两种方法，这种方法可谓“曲线救国”之典范，具体思路是：先转化成list，拼接后再转化回去。
这是因为list中的append()函数可以在添加函数的时候不改变原来list的维度。虽然没有对这种方法进行一个速度测试，但直觉来看时间复杂度挺高的，建议慎用。

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

#将array转换成list
aa = aa.tolist(aa)
a = a.tolist(a)

aa.append(a)#注意与方法二中np.append()用法的区别
com = np.array(aa)
print(com.shape)
1
2
3
4
5
6
7
8
9
10

输出结果：

合并矩阵：
      [[[1 2 3]
        [4 5 6]]

       [[2 2 3]
        [4 5 6]]

       [[3 2 3]
        [4 5 6]]
        
       [[4 2 3]
       [4, 5, 6]]]
维数： (4,2,3)

1
2
3
4
5
6
7
8
9
10
11
12
13
14

这里注意：
两种类型的相互转换函数：

1. array转list：a = a.tolist()
2. list转array：a =np.array(a)

这里需要注意：A.tolist 和 list(A) 外表看，都是把一个array转换成list，但是两者还是有一些区别的。看下边这个例子：

A = np.reshape(np.arange(6),(3,2)) #生成一个3行2列的array
print（"数组A：",A）
print('A.tolist():',A.tolist())
print('list(A): ',list(A))
1
2
3
4

结果如下：

数组A：
array([[0, 1],
       [2, 3],
       [4, 5]])

A.tolist(): [[0, 1], [2, 3], [4, 5]]

list(A): [array([0, 1]), array([2, 3]), array([4, 5])]
1
2
3
4
5
6
7
8

可以看到：list(A)只是把最外层的array变成了list，但是里边的每个向量都还是array类型。

最后吐槽一句，其实numpy包中对于一位数组和二维数组的拼接，可选函数很多，但是唯独没有考虑更高维数组的拼接。甚至连重写的append函数都没有原来的好用，真是青出于蓝而败于蓝啊，痛心。强烈建议numpy包在未来的更新中尽快解决这个问题。

在深度学习中，也有类似于这样的需求，比如用图片来训练模型时，彩色图片就是一个个三维数组，需要把一批图片都送到网络中就需要把多个三维矩阵叠加。
tensorflow貌似提供了这样的函数，在搭建深度学习框架时可以直接使用，以后有机会继续扩展。

扩展阅读：

最后，附几个二维array中，添加一行或者一列元素的函数：

1 . np.append(a,b,axis=数字)

其中：

1. 没有axis属性：把所有元素展开
2. axis = 0：添加添加n行
3. axis = 1：添加n列

口诀：0行1列，适用于所有的numpy函数的axis属性。

2.增加一行或者一列。

b = np.row_stack((a, 行元素))# 添加行
c = np.column_stack((a, 列元素)) #添加列
1
2

1. Numpy 快速入门之玩转数组 展平+转置+组合+分割+数组属性