如何将for循环结果垂直堆叠为70×35的二维ndarray？

问题原因 #

你初始化predicted_probabilities为(70,35)的空数组，之后每次循环用vstack把新的result（形状(1,35)）追加进去。循环70次后，原本的70行加上新增的70行，总形状就变成了140×35，这就是重复追加的核心原因。

两种正确实现方式 #

方式1：初始化空数组，循环堆叠

import numpy as np

actual_values_images = []
predicted_values_images = []
predicted_probabilities_images = []
# 初始化为空数组，而非预设70行
predicted_probabilities = np.empty((0, 35), dtype=np.float32)

for testImage in test_image_folder: 
    img = folder_path + str(testImage)
    img = image.load_img(img, target_size=(64, 64))
    img = image.img_to_array(img)
    img = np.expand_dims(img, axis=0)

    result = classifier.predict(img, verbose=0) 
    actual_values_images.append(str(testImage[1:-4]))

    # 垂直堆叠新的预测结果
    predicted_probabilities = np.vstack([predicted_probabilities, result])
    
    predicted_values_images.append(ResultMap[np.argmax(result)])
    predicted_probabilities_images.append(result)

初始空数组形状为(0,35)，每次堆叠(1,35)的result，循环70次后正好得到(70,35)的数组。

方式2：预分配数组，索引赋值（更高效）

import numpy as np

actual_values_images = []
predicted_values_images = []
predicted_probabilities_images = []
# 预分配70×35的浮点数数组（预测概率是浮点数，不要用int类型）
predicted_probabilities = np.empty((70, 35), dtype=np.float32)

for idx, testImage in enumerate(test_image_folder): 
    img = folder_path + str(testImage)
    img = image.load_img(img, target_size=(64, 64))
    img = image.img_to_array(img)
    img = np.expand_dims(img, axis=0)

    result = classifier.predict(img, verbose=0) 
    actual_values_images.append(str(testImage[1:-4]))

    # 直接通过索引替换对应行
    predicted_probabilities[idx] = result
    
    predicted_values_images.append(ResultMap[np.argmax(result)])
    predicted_probabilities_images.append(result)

用enumerate获取循环索引idx，直接将result赋值给数组的对应行，避免多次数组拼接的性能损耗，同时保证数据类型正确（浮点数存储概率值）。

额外注意 #

• 原代码中predicted_probabilities_images未提前初始化，记得要在循环前定义该列表
• 预测概率是浮点数，不要用int类型存储，否则会丢失精度（比如把0.8这类概率值强制转为0）

内容的提问来源于stack exchange，提问作者Dakshila Kamalsooriya