NumPy concatenate() 多维数组拼接详解与性能优化

NumPy 数组拼接核心机制

NumPy提供了concatenate((a1, a2, ...), axis=0)接口，支持一次性将多个数组沿指定维度拼接为单一新数组。调用前需确保各输入数组在非拼接轴上的形状严格一致。

第1步：掌握 axis 轴参数与默认行为

目的：明确拼接方向。
入口：调用函数时传入axis整数参数。
重要参数：axis=0（默认）表示沿第0轴堆叠（增加行数）；axis=1表示沿第1轴堆叠（增加列数）。负数索引从末尾计算，axis=-1等价于axis=1。若不显式声明，系统默认按axis=0执行。

第2步：验证一维与二维数组拼接效果

目的：观察不同维度下的实际拼接结果。
操作：

import numpy as np

# 一维数组：axis取值不影响一维线性拼接
a = np.array([1, 2, 3])
b = np.array([11, 22, 33])
c = np.array([44, 55, 66])
result_1d = np.concatenate((a, b, c))
print(result_1d) 
# 输出: [ 1  2  3 11 22 33 44 55 66]

对于二维矩阵，需分别测试纵向追加与横向连接：

a_mat = np.array([[1, 2, 3], [4, 5, 6]])
b_mat = np.array([[11, 21, 31], [7, 8, 9]])

# axis=0：沿纵轴拼接，行数由2增至4
res_axis0 = np.concatenate((a_mat, b_mat), axis=0)
print(res_axis0)

# axis=1：沿横轴拼接，列数由3增至6
res_axis1 = np.concatenate((a_mat, b_mat), axis=1)
print(res_axis1)

out 参数预分配内存实战

官方语法支持out选项。若传入预创建的NumPy数组，拼接结果将直接写入该内存地址，避免额外分配缓冲区，从而降低GC压力并提升吞吐率。

第3步：配置 out 输出目标数组

目的：实现零拷贝输出，节省内存开销。
条件：out的形状必须与拼接结果的预期形状完全匹配。
操作：

# 定义初始数据矩阵（4行6列）
array01 = np.arange(24).reshape(4, 6)

# 定义待拼接矩阵（4行9列）
array02 = np.arange(24, 60).reshape(4, 9)

# 预分配结果容器（4行15列），指定数据类型
target_arr = np.zeros((4, 15), dtype='int64')
print("预分配容器:\n", target_arr[:2])

# 执行拼接并覆写至 target_arr
np.concatenate((array01, array02), axis=1, out=target_arr)
print("\n拼接后输出至out:\n", target_arr[:2])

concatenate 与 append 性能差异

底层架构决定了两者的适用边界。NumPy的append()在循环调用时会反复创建临时对象并迁移数据，而concatenate()通过单次内存规划完成块级拷贝。在涉及万级以上数据批次或高维张量处理时，直接使用concatenate()可显著缩短运行耗时。

总结

以上就是 numpy.concatenate() 的多维数组拼接方法与 out 参数优化的详细内容，更多关于 NumPy 高性能计算与数据流处理资料的关注本站其它相关文章！