numpy中concatenate与stack两种方法的区别是什么？

首先需要纠正你测试中的输出误区：你贴的三维数组输出实际是stack的运行结果，按你给出的concatenate代码运行，得到的是完全不同的二维数组输出，二者不可能得到完全一致的结果，核心差异可以从以下几个维度区分：

1. 本质逻辑不同 #

• concatenate是在现有维度上直接拼接，不会改变数组的总维度数：两个shape为(2,2)的二维数组，沿axis=0拼接后还是二维数组，shape变为(4,2)，仅拼接轴的长度相加。
• stack是先新增一个维度再拼接，会让数组总维度+1：两个shape为(2,2)的二维数组，沿axis=0堆叠后变成三维数组，shape为(2,2,2)，新增轴的长度等于参与堆叠的数组数量。

2. 参数要求不同 #

• concatenate只要求参与拼接的数组，除了拼接轴之外的其他维度shape完全一致即可。
• stack要求参与堆叠的所有数组的shape完全一致。

3. 测试代码实际运行验证 #

concatenate运行示例 #

import numpy as np
my_arr_1 = np.array([ [1,4] ,   [2,7] ])
my_arr_2 = np.array([ [0,5]   , [3,8] ])

join_array=np.concatenate((my_arr_1,my_arr_2),axis=0)
print(join_array)
print(join_array.shape) # 输出 (4, 2)

运行输出：

[[1 4]
 [2 7]
 [0 5]
 [3 8]]

stack运行示例 #

import numpy as np
my_arr_1 = np.array([ [1,4] ,   [2,7] ])
my_arr_2 = np.array([ [0,5]   , [3,8] ])

join1_array=np.stack((my_arr_1,my_arr_2),axis=0)
print(join1_array)
print(join1_array.shape) # 输出 (2, 2, 2)

运行输出就是你贴的三维结构：

[[[1 4]
  [2 7]]

 [[0 5]
  [3 8]]]

快速区分使用场景 #

如果只是要把多个数组合并到已有维度里，选concatenate；如果需要给数组新增一个分组维度，把多个数组作为新维度下的元素，选stack。

内容的提问来源于stack exchange，提问作者user17344362