### Numpy 中 `stack` 函数及其相关 API 的用法与区别 #### 什么是 `np.stack`？ `np.stack` 是 NumPy 提供的一种用于沿新轴连接一系列数组的方法。它允许用户指定一个额外的维度来堆叠这些数组，而不是像 `vstack` 和 `hstack` 那样仅限于现有维度的操作[^1]。 基本语法如下： ```python numpy.stack(arrays, axis=0, out=None) ``` - **参数**: - `arrays`: 要堆叠的序列或列表形式的数组。 - `axis`: 新增的轴的位置，默认为 0。 - `out`: 可选输出数组。 返回的是一个新的数组，其形状基于输入数组和新增加的轴决定。 --- #### 示例代码展示 `np.stack` 使用方法 ##### 示例 1：简单的二维数组堆叠 ```python import numpy as np arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) # 默认情况下，新的轴会在第 0 维度增加 result_axis_0 = np.stack((arr1, arr2), axis=0) print("Stack along new axis at position 0:") print(result_axis_0) # 结果: # [[[1 2] # [3 4]] # # [[5 6] # [7 8]]] # 如果希望在其他位置添加新轴 result_axis_1 = np.stack((arr1, arr2), axis=1) print("\nStack along new axis at position 1:") print(result_axis_1) # 结果: # [[[1 2] # [5 6]] # # [[3 4] # [7 8]]] ``` --- #### `np.stack` 与其他堆叠函数的区别 | 方法 | 描述 | 是否创建新轴 | |--------------|----------------------------------------------------------------------------------------|--------------------| | `np.vstack` | 按照垂直方向（行）堆叠数组 | 不创建 | | `np.hstack` | 按照水平方向（列）堆叠数组 | 不创建 | | `np.dstack` | 沿着深度方向（第三个维度）堆叠 | 不创建 | | `np.stack` | 在指定的新轴上堆叠数组 | 创建 | --- #### 关键差异分析 1. **是否引入新轴**: - `vstack`, `hstack`, 和 `dstack` 并不会改变原始数组的维度数目，只是按照特定方向扩展已有的维度。 - `stack` 则是在指定位置插入了一个全新的维度[^2]。 2. **适用场景**: - 当需要保持原有数据结构不变的同时追加更多样本时，可以选择 `vstack/hstack/dstack`. - 若需构建一个多维张量表示多个独立但同构的数据实例，则应考虑使用 `stack`. 3. **灵活性对比**: - 其他几种堆叠方式都预设好了操作的方向（如行/列），而 `stack` 让开发者能够自由定义在哪一层级加入分割线，因此更加灵活通用[^3]. --- #### 总结示例比较 下面通过具体例子进一步阐明这四种主要堆叠手段的不同之处: ```python import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # vstack: 增加了一层作为行向量 res_vstack = np.vstack((a,b)) print(res_vstack.shape) # (2, 3) # hstack: 扩展到同一行内连续排列 res_hstack = np.hstack((a,b)) print(res_hstack.shape) # (6, ) # dstack: 添加第三维形成三维矩阵 res_dstack = np.dstack((a,b)) print(res_dstack.shape) # (3, 1, 2) # stack: 明确指定了新轴位于首位 res_stack = np.stack((a,b), axis=0) print(res_stack.shape) # (2, 3) ``` 可以看到每种方法产生的最终结果形态各异，反映了各自独特的用途定位[^4]。 ---