NumPy中np.vstack()与np.hstack()的数组拼接指南

目标与核心逻辑

在数据处理与矩阵运算中，经常需要将多个小规模数组合并为更大规模的结构。NumPy 提供了两个高频使用的拼接函数，它们的底层逻辑均基于轴（axis）的对齐：

• np.hstack()：沿水平方向（列向/第二维）平铺拼接，功能等价于 np.concatenate(tup, axis=1)。
• np.vstack()：沿垂直方向（行向/第一维）堆叠数组，功能等价于 np.concatenate(tup, axis=0)。

理解两者的区别后，只需关注目标维度是否匹配，即可快速完成数据重组。

水平拼接 hstack 实操指南

hstack 要求传入的序列数组在所有轴上保持一致，唯一例外的是第二轴（水平方向）。对于纯一维数组，长度可以任意。

import numpy as np

# 基础一维数组拼接（长度不限）
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print("1D hstack 结果：", np.hstack((arr1, arr2)))

# 二维数组拼接（必须保证行数一致）
a1 = np.array([[1, 2], [3, 4], [5, 6]])
a2 = np.array([[7, 8], [9, 10], [11, 12]])
print("2D hstack 结果：\n", np.hstack((a1, a2)))

上述代码会将 a1 与 a2 横向合并。执行后可观察到列数相加，行数保持不变。这是深度学习数据预处理中常见的特征向量串联场景。

垂直堆叠 vstack 实操指南

vstack 的要求与前者相反：除了第一轴（垂直方向）外，其余维度必须完全相同。一维数组参与堆叠时，长度必须严格相等。

import numpy as np

# 一维数组堆叠（长度必须一致）
print("1D vstack 结果：\n", np.vstack(([1, 2, 3], [3, 4, 5])))

# 二维数组堆叠（必须保证列数一致）
print("2D vstack 结果：\n", np.vstack(([[1, 2, 3], [3, 4, 3]], [[1, 3, 4], [2, 4, 5]])))

当需要按批次累积样本或使用 np.array_split 切分数据集后再重新组合时，vstack 能保持原始行的连续性：

arr1_full = np.array([[1, 2], [2, 4], [11, 33], [2, 44], [55, 77], [11, 22], [55, 67], [67, 89]])
splits = np.array_split(arr1_full, 3)

print("分割后的子数组结构：")
for i, part in enumerate(splits):
    print(f"Part {i}:", part)

print("\nvstack 还原结果：\n", np.vstack(splits))

运行后可见原本被切分的矩阵片段成功恢复为完整的垂直堆叠形态。

排错指南与注意事项

在实际调用中，多数报错源于维度校验失败或参数类型混淆。以下是高频陷阱与解决方法：

1. 维度不匹配 ValueError：若二维数组调用 hstack 时报错，请检查两矩阵的行数（第0轴）是否相等；调用 vstack 则需核对列数（第1轴）。可使用 shape 属性提前打印确认。
2. 传参格式错误：函数签名要求传入 tup（数组序列）。必须使用括号包裹如 (arr1, arr2) 或列表 [arr1, arr2]。直接使用加号 + 连接数组对象会触发类型异常，列表拼接请使用 [] 包装。
3. 一维数组边界情况：hstack 对一维数组极其宽容，而 vstack 强制长度相同。若需将不等长的一维数组垂直对齐，应先使用 np.pad() 补齐或转为结构化对象数组。

掌握以上规则后，可避免大部分因形状假设错误导致的运行时中断。建议在实际项目流水线中，配合 assert array.shape[0] == other.shape[0] 等断言提前拦截非法拼接。

以上就是 NumPy 中 np.vstack() 和 np.hstack() 的详细内容，更多关于 Python 数据处理进阶的资料请关注本站其它相关文章！