我们知道，用 .T 或者 .transpose() 都可以将一个矩阵进行转置。
但是一维数组转置的时候有个坑，光transpose没有用，需要指定shape参数，
在array中，当维数>=2，时这个成立，但=1时，就不成立了，如：
In [7]: y
Out[7]: array([0, 0, 0, 0, 0])
In [14]: y.T
Out[14]: array([0, 0, 0, 0, 0])
In [15]: y.transpose()
Out[15]: array([0, 0, 0, 0, 0])
这个时候我们得用 .reshape() 来指定维度大小从而转置：
In [17]: y.reshape([5,1])
Out[17]:
array([[0],
[0],
[0],
[0],
[0]])
我们再写一个通用的转置方法：
In [21]: y.reshape([y.shape[0],1]) Out[21]: array([[0], [0], [0], [0], [0]])
注意， y.T 之后也不是一个简单的一维数组，而是一个shape为(1, y.shape[0])的二维数组：
In [26]: y.T
Out[26]: array([[0, 0, 0, 0, 0]])
In [27]: y.shape
Out[27]: (5L, 1L)
或者是还有如下写法：对一维数组通过 .reshape(1, -1).T
In [44]: yt
Out[44]: array([0, 0, 0, 0, 0])
In [45]: yt.reshape(1, -1)
Out[45]: array([[0, 0, 0, 0, 0]])
In [46]: yt.reshape(1, -1).T
Out[46]:
array([[0],
[0],
[0],
[0],
[0]])
---------------------------------------------------------------合并-----------------------------------------------------------------
In [5]: x
Out[5]:
array([[ 5.1, 3.5, 1.4, 0.2],
[ 4.9, 3. , 1.4, 0.2],
[ 4.7, 3.2, 1.3, 0.2],
[ 4.6, 3.1, 1.5, 0.2],
[ 5. , 3.6, 1.4, 0.2]])
现在我们对x，y左右合并： x|y
In [25]: np.hstack((x, y)) # 合并array, 水平方向 # 保证两者长度（上到下）相等 Out[25]: array([[ 5.1, 3.5, 1.4, 0.2, 0. ], [ 4.9, 3. , 1.4, 0.2, 0. ], [ 4.7, 3.2, 1.3, 0.2, 0. ], [ 4.6, 3.1, 1.5, 0.2, 0. ], [ 5. , 3.6, 1.4, 0.2, 0. ]])
x，y上下合并
In [51]: y.T[0,:4] # 这里这个只是我引入的一个中间量确保他们的长度相同 Out[51]: array([0, 0, 0, 0])
In [37]: np.vstack((x, y.T[0,:4])) # 这里要保证两者长度（左到右）相等 Out[37]: array([[ 5.1, 3.5, 1.4, 0.2], [ 4.9, 3. , 1.4, 0.2], [ 4.7, 3.2, 1.3, 0.2], [ 4.6, 3.1, 1.5, 0.2], [ 5. , 3.6, 1.4, 0.2], [ 0. , 0. , 0. , 0. ]])
然后numpy提供了numpy.concatenate((a1,a2,...), axis=0)函数。能够一次完成多个数组的拼接。其中a1,a2,...是数组类型的参数
但是用 np.concatenate((x, y.T[0,:4]),axis=0) 则会报错，原因是y.T[0,:4]的维度为(4, )
如果将
In [57]: y.T[0,:4].reshape(1,y.T[0,:4].shape[0]) # 变成(1, 4) Out[57]: array([[0, 0, 0, 0]])
上面那个我就懒得引入中间变量了，就这样直接写入
In [59]: np.concatenate((x, y.T[0,:4].reshape(1,y.T[0,:4].shape[0])),axis=0) Out[59]: array([[ 5.1, 3.5, 1.4, 0.2], [ 4.9, 3. , 1.4, 0.2], [ 4.7, 3.2, 1.3, 0.2], [ 4.6, 3.1, 1.5, 0.2], [ 5. , 3.6, 1.4, 0.2], [ 0. , 0. , 0. , 0. ]])
可以看到拼接成功，即(a, b)的shape一定要满足(am, an) (bm, bn) 中an=bn
而对于axis=1（左右拼接），则shape一定要满足(am, an) (bm, bn) 中am=bm
In [61]: x Out[61]: array([[ 5.1, 3.5, 1.4, 0.2], [ 4.9, 3. , 1.4, 0.2], [ 4.7, 3.2, 1.3, 0.2], [ 4.6, 3.1, 1.5, 0.2], [ 5. , 3.6, 1.4, 0.2]]) In [62]: y Out[62]: array([[0], [0], [0], [0], [0]]) In [63]: np.concatenate((x, y),axis=1) Out[63]: array([[ 5.1, 3.5, 1.4, 0.2, 0. ], [ 4.9, 3. , 1.4, 0.2, 0. ], [ 4.7, 3.2, 1.3, 0.2, 0. ], [ 4.6, 3.1, 1.5, 0.2, 0. ], [ 5. , 3.6, 1.4, 0.2, 0. ]]) In [64]: x.shape,y.shape Out[64]: ((5L, 4L), (5L, 1L))
然后这篇文章讲的也不错： http://blog.csdn.net/pipisorry/article/details/39496831
