好的，各位听众，欢迎来到“数组堆叠与拼接：hstack, vstack, concatenate 的爱恨情仇”讲座现场！我是你们的导游兼段子手，今天就带大家一起扒一扒 NumPy 数组堆叠的那些事儿。准备好了吗？系好安全带，我们要起飞啦！🚀
开场白：数组，数据世界的积木
在数据科学的浩瀚宇宙中，NumPy 数组就像乐高积木，是我们构建复杂数据结构的基础。它们整齐排列，存储着各种各样的数据，等待着我们去操控、分析。而数组的堆叠与拼接，就像是用这些积木搭建更宏伟的建筑，让我们能够将分散的数据片段组合成完整的、有意义的信息。
今天我们要聊的主角 hstack, vstack, 和 concatenate，正是负责数组堆叠的“三剑客”。它们各有千秋，功能相似却又略有不同，掌握它们，你就能在数据处理的道路上如鱼得水，效率倍增。
第一幕：hstack – 横向拓展的魔术师
首先登场的是 hstack，它的名字就暗示了它的拿手好戏：水平方向的堆叠。你可以把它想象成一个熟练的木匠，将一块块木板横向拼接起来，最终形成一块更宽的木板。
基本用法：
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.hstack((a, b))
print(c) # 输出：[1 2 3 4 5 6]这段代码就像变魔术一样，hstack 将 a 和 b 两个数组“横向”连接起来，形成了一个新的数组 c。是不是很简单？
更高级的玩法：
hstack 的魅力远不止于此。它可以处理多维数组，只要保证在水平方向上，数组的行数（也就是第一个维度的大小）相同即可。
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.hstack((a, b))
print(c)
# 输出：
# [[1 2 5 6]
# [3 4 7 8]]看到没？hstack 将 a 和 b 两个二维数组横向拼接，就像把两张表格左右合并一样。表格的第一列变成了 [1, 3]，第二列变成了 [2, 4]，然后紧接着是 [5, 7] 和 [6, 8]。
注意事项：
hstack要求被堆叠的数组，除了水平方向（列数）之外，其他维度的大小必须一致。否则，NumPy 会毫不留情地抛出一个ValueError。- 对于一维数组，
hstack的效果和concatenate((a, b), axis=1)是一样的。
总结：
hstack 就像一个横向拓展的魔术师，擅长将数组在水平方向上拼接起来。它简单易用，适用于各种需要横向合并数据的场景。
第二幕：vstack – 垂直叠加的建筑师
接下来，我们请出第二位主角：vstack。与 hstack 专注于横向拓展不同，vstack 是一位垂直叠加的建筑师，它会将数组在垂直方向上堆叠起来，就像用砖头一层一层地盖房子。
基本用法：
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.vstack((a, b))
print(c)
# 输出：
# [[1 2 3]
# [4 5 6]]vstack 将 a 和 b 两个数组“垂直”堆叠起来，形成了一个新的二维数组 c。每一行对应一个原始数组，是不是很直观？
更高级的玩法：
vstack 同样可以处理多维数组，只要保证在垂直方向上，数组的列数（也就是第二个维度的大小）相同即可。
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.vstack((a, b))
print(c)
# 输出：
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]vstack 将 a 和 b 两个二维数组垂直拼接，就像把两张表格上下拼接一样。第一行变成了 [1, 2]，第二行变成了 [3, 4]，然后紧接着是 [5, 6] 和 [7, 8]。
注意事项：
vstack要求被堆叠的数组，除了垂直方向（行数）之外，其他维度的大小必须一致。否则，NumPy 会毫不留情地抛出一个ValueError。- 对于一维数组，
vstack的效果和concatenate((a, b), axis=0)是一样的。
总结：
vstack 就像一个垂直叠加的建筑师，擅长将数组在垂直方向上堆叠起来。它简单易用，适用于各种需要纵向合并数据的场景。
第三幕：concatenate – 灵活多变的变形金刚
最后，我们隆重推出今天的压轴嘉宾：concatenate。它是一位灵活多变的变形金刚，可以沿着任意指定的轴（axis）进行数组的拼接，功能最为强大，也最为复杂。
基本用法：
concatenate 的基本用法需要指定一个 axis 参数，表示沿着哪个轴进行拼接。axis=0 表示沿着垂直方向（行），axis=1 表示沿着水平方向（列）。
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=0) # 沿着垂直方向拼接
print(c)
# 输出：
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]
d = np.concatenate((a, b), axis=1) # 沿着水平方向拼接
print(d)
# 输出：
# [[1 2 5 6]
# [3 4 7 8]]看到没？通过改变 axis 参数，concatenate 可以实现与 vstack 和 hstack 类似的效果。
更高级的玩法：
concatenate 的强大之处在于它可以处理任意维度的数组，只要保证除了拼接轴之外，其他维度的大小一致即可。
a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) # (2, 2, 2)
b = np.array([[[9, 10], [11, 12]], [[13, 14], [15, 16]]]) # (2, 2, 2)
c = np.concatenate((a, b), axis=0) # (4, 2, 2)
print(c.shape) # 输出：(4, 2, 2)
d = np.concatenate((a, b), axis=1) # (2, 4, 2)
print(d.shape) # 输出：(2, 4, 2)
e = np.concatenate((a, b), axis=2) # (2, 2, 4)
print(e.shape) # 输出：(2, 2, 4)这段代码展示了 concatenate 在三维数组上的应用。通过改变 axis 参数，我们可以沿着不同的轴进行拼接，得到不同形状的数组。
注意事项：
concatenate要求被拼接的数组，除了拼接轴之外，其他维度的大小必须一致。axis参数必须是一个整数，表示拼接轴的索引。concatenate的灵活性使其成为处理复杂数组拼接的首选工具。
总结：
concatenate 就像一个灵活多变的变形金刚，可以沿着任意指定的轴进行数组的拼接。它功能强大，适用性广，是处理复杂数组拼接的利器。
三剑客的比较：爱恨情仇的纠葛
既然介绍了三位主角，就不得不比较一下它们的优缺点，以及适用场景。
| 功能 | hstack |
vstack |
concatenate |
|---|---|---|---|
| 水平拼接 | ✅ | ❌ | axis=1 |
| 垂直拼接 | ❌ | ✅ | axis=0 |
| 任意轴拼接 | ❌ | ❌ | ✅ |
| 易用性 | 高 | 高 | 中 |
| 灵活性 | 低 | 低 | 高 |
适用场景：
hstack： 适用于需要简单横向拼接数组的场景，例如将两个表格左右合并。vstack： 适用于需要简单纵向拼接数组的场景，例如将两个表格上下合并。concatenate： 适用于需要沿着任意轴进行拼接的复杂场景，例如处理多维数组的拼接。
选择建议：
- 如果只需要简单的横向或纵向拼接，
hstack和vstack是更简洁的选择。 - 如果需要处理复杂的多维数组拼接，或者需要沿着非 0 或 1 的轴进行拼接，
concatenate是唯一的选择。
实际案例：图像处理中的应用
为了让大家更好地理解数组堆叠的应用，我们来看一个图像处理的例子。假设我们有两张灰度图像，分别存储在两个 NumPy 数组中，我们想将它们拼接成一张更大的图像。
import numpy as np
import matplotlib.pyplot as plt
# 创建两张简单的灰度图像
img1 = np.random.randint(0, 256, size=(100, 100), dtype=np.uint8)
img2 = np.random.randint(0, 256, size=(100, 100), dtype=np.uint8)
# 横向拼接
img_hstack = np.hstack((img1, img2))
# 纵向拼接
img_vstack = np.vstack((img1, img2))
# 显示图像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(img_hstack, cmap='gray')
plt.title('hstack')
plt.subplot(1, 2, 2)
plt.imshow(img_vstack, cmap='gray')
plt.title('vstack')
plt.show()这段代码首先创建了两张随机的灰度图像，然后使用 hstack 和 vstack 将它们分别横向和纵向拼接起来。最后，我们使用 matplotlib 将拼接后的图像显示出来。
通过这个例子，我们可以看到数组堆叠在图像处理中的应用：可以将多张图像拼接成一张更大的图像，方便我们进行观察和分析。
结语：掌握堆叠技巧，解锁数据潜力
掌握 NumPy 数组的堆叠与拼接技巧，就像掌握了一把开启数据宝藏的钥匙。hstack, vstack, 和 concatenate 各有所长，各有千秋，选择合适的工具，可以让你在数据处理的道路上事半功倍。
希望今天的讲座能帮助大家更好地理解数组堆叠的原理和应用。记住，数据科学的乐趣在于探索和创造，掌握这些基础工具，你就能构建出更复杂、更强大的数据应用！
感谢大家的聆听！下次再见！👋