stack()与transpose()的相关性

stack()具体变换过程其实是和transpose()很相似的，只是transpose()需要一个元组来设计变换后的shape，而stack()只要一个axis来指定变换后的shape

那么，最令人费解的是什么，是变换后的数，这也是两个函数的共同点，这两个函数，对传入的数不管是列表也好，元组也好，都会先使用numpy.array()变换，变换后的数组会是作为一个原型，以后所有的Numpy.transpose()和Numpy.stack()的作用都是在这个原型的基础上旋转得来的，举例来说，当输入的原型是三维的，你可以想象成一个立方体，所有你做的变换最终得到的数组的数字排列，只是这个立方体从不同的角度看得到的多维数组，各个数字之间的相对位置是不变的。这个只能想，没法画。

https://blog.csdn.net/qq_24631105/article/details/82693347

stack()函数
函数原型为：stack(arrays, axis=0)，arrays可以传数组和列表。

axis: 0,1,2,3,…是从外开始剥，-n,-n+1,…,-3,-2,-1是从里开始剥

import numpy as np
a=[[[1,2,3,4],[11,21,31,41]],
   [[5,6,7,8],[51,61,71,81]],
   [[9,10,11,12],[91,101,111,121]]]
print("列表a如下：")
print(a)

print("新维度的下标为0")
c=np.stack(a,axis=0)
print(c)

print("新维度的下标为1")
c=np.stack(a,axis=1)
print(c)

print("新维度的下标为2")
c=np.stack(a,axis=2)
print(c)

列表a如下：
[[[1, 2, 3, 4], [11, 21, 31, 41]], [[5, 6, 7, 8], [51, 61, 71, 81]], [[9, 10, 11, 12], [91, 101, 111, 121]]]
新维度的下标为0
[[[  1   2   3   4]
  [ 11  21  31  41]]

 [[  5   6   7   8]
  [ 51  61  71  81]]

 [[  9  10  11  12]
  [ 91 101 111 121]]]
新维度的下标为1
[[[  1   2   3   4]
  [  5   6   7   8]
  [  9  10  11  12]]

 [[ 11  21  31  41]
  [ 51  61  71  81]
  [ 91 101 111 121]]]
新维度的下标为2
[[[  1   5   9]
  [  2   6  10]
  [  3   7  11]
  [  4   8  12]]

 [[ 11  51  91]
  [ 21  61 101]
  [ 31  71 111]
  [ 41  81 121]]]

个人理解：

其中原数组a的shape为（3,2,4），即是一个三维数组。有3个维度。其中每个元素的都有一个索引。比如数字1的索引为[0,0,0]，2的索引为[0,0,1]，31的是[0,1,2]，41的是[0,1,3]，....5的是[1, 0,0], .8的是[1,0,3].9的索引是[2,0,0]，等等。

其中，stack（a, axis=0），axis的值不能大于等于数组的维度。axis=0时，元素的索引值不变，仍是原来的索引，每个维度上的值不变，方向不变。

stack(a, axis=1), 个人理解，就是将数组中元素第0个维度的数值换到第1维度。如31就由[0,1,2]变为[1,0,2]，41就由[0,1,3]变为[1,0,3], 8就由[1,0,3]变为[0,1,3]，以此类推。所以数组的shape就变为了(2,3,4)

stack(a, axis=2) , 就是将数组中每个元素的第0个维度的索引值移到第2维度，原先的第1，第2维的索引值一起前移。如31就由[0,1,2]变为[1,2,0]，41就由[0,1,3]变为[1,3,0],8就由[1,0,3]变为[0,3,1]，以此类推。所以数组的shape就变为了(2,4,3)

2. hstack()函数

a = np.array([1,2,3])  
b = np.array([4,5,6])
c=[[[1,2,3,4],[11,21,31,41]],
   [[5,6,7,8],[51,61,71,81]],
   [[9,10,11,12],[91,101,111,121]]]
print('一维数组：')
print(np.hstack((a,b)))

a = np.array([[1],[2],[3]])
b = np.array([[4],[5],[6]])
print('二维数组：')
print(np.hstack((a,b)))

a = np.array([[[1],[11]],
              [[2],[21]],
              [[3],[31]]])

b = np.array([[[4],[41]],
              [[5],[51]],
              [[6],[61]]])
print('三维数组：')
print(np.hstack((a,b)))

print('三维数组2：')
print(np.hstack(c))

一维数组：
[1 2 3 4 5 6]
二维数组：
[[1 4]
 [2 5]
 [3 6]]
三维数组：
[[[ 1]
  [11]
  [ 4]
  [41]]

 [[ 2]
  [21]
  [ 5]
  [51]]

 [[ 3]
  [31]
  [ 6]
  [61]]]
三维数组2：
[[  1   2   3   4   5   6   7   8   9  10  11  12]
 [ 11  21  31  41  51  61  71  81  91 101 111 121]]

未完待续。

3. vstack()函数

a = np.array([1,2,3])  
b = np.array([4,5,6])
c=[[[1,2,3,4],[11,21,31,41]],
   [[5,6,7,8],[51,61,71,81]],
   [[9,10,11,12],[91,101,111,121]]]
print('一维数组：')
print(np.vstack((a,b)))

a = np.array([[1],[2],[3]])  
b = np.array([[4],[5],[6]])
print('二维数组：')
print(np.vstack((a,b)))

a = np.array([[[1],[11]],
              [[2],[21]],
              [[3],[31]]])

b = np.array([[[4],[41]],
              [[5],[51]],
              [[6],[61]]])
print('三维数组：')
print(np.vstack((a,b)))

print('三维数组2：')
print(np.vstack(c))

一维数组：
[[1 2 3]
 [4 5 6]]
二维数组：
[[1]
 [2]
 [3]
 [4]
 [5]
 [6]]
三维数组：
[[[ 1]
  [11]]

 [[ 2]
  [21]]

 [[ 3]
  [31]]

 [[ 4]
  [41]]

 [[ 5]
  [51]]

 [[ 6]
  [61]]]
三维数组2：
[[  1   2   3   4]
 [ 11  21  31  41]
 [  5   6   7   8]
 [ 51  61  71  81]
 [  9  10  11  12]
 [ 91 101 111 121]]

原文：https://my.oschina.net/amui/blog/1601432

参考：https://blog.csdn.net/qq_24631105/article/details/82693347

参考：https://blog.csdn.net/yyl424525/article/details/100104177