NumPy的hstack函数详细教程

1. 什么是 hstack？

hstack 是 NumPy 中的一个函数，用于水平堆叠数组。它沿着第二个轴（列方向） 将多个数组连接在一起。

import numpy as np

# 水平堆叠示例
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
result = np.hstack((a, b))
print(result)  # 输出: [1 2 3 4 5 6]

2. 基本语法

numpy.hstack(tup)

参数：

• tup：包含要堆叠数组的序列（元组或列表）

返回值：

• 堆叠后的新数组

3. 使用示例

示例 1：一维数组的水平堆叠

import numpy as np

# 一维数组
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr3 = np.array([7, 8, 9])

# 水平堆叠
result = np.hstack((arr1, arr2, arr3))
print("一维数组堆叠结果:")
print(result)  # [1 2 3 4 5 6 7 8 9]
print("形状:", result.shape)  # (9,)

示例 2：二维数组的水平堆叠

# 二维数组
arr1 = np.array([[1, 2], [3, 4]])  # 形状: (2, 2)
arr2 = np.array([[5, 6], [7, 8]])  # 形状: (2, 2)

result = np.hstack((arr1, arr2))
print("二维数组堆叠结果:")
print(result)
"""
[[1 2 5 6]
 [3 4 7 8]]
"""
print("形状:", result.shape)  # (2, 4)

示例 3：混合形状的数组堆叠

# 必须保证第一个轴（行数）相同
arr1 = np.array([[1, 2], [3, 4]])  # 形状: (2, 2)
arr2 = np.array([[5], [6]])       # 形状: (2, 1)

result = np.hstack((arr1, arr2))
print("混合形状堆叠结果:")
print(result)
"""
[[1 2 5]
 [3 4 6]]
"""
print("形状:", result.shape)  # (2, 3)

4. 重要规则和注意事项

规则 1：除第二个轴外，所有维度必须匹配

# 正确的例子 - 行数相同
arr1 = np.ones((3, 2))  # 3行2列
arr2 = np.zeros((3, 4)) # 3行4列
result = np.hstack((arr1, arr2))  # 形状: (3, 6)

# 错误的例子 - 行数不同
arr1 = np.ones((2, 3))  # 2行3列
arr2 = np.zeros((3, 3)) # 3行3列
# result = np.hstack((arr1, arr2))  # ValueError: 所有数组的维度必须相同

规则 2：可以堆叠多个数组

arr1 = np.array([[1, 1], [1, 1]])
arr2 = np.array([[2, 2], [2, 2]])
arr3 = np.array([[3, 3], [3, 3]])

result = np.hstack((arr1, arr2, arr3))
print("多数组堆叠:")
print(result)
"""
[[1 1 2 2 3 3]
 [1 1 2 2 3 3]]
"""

5. 与其他堆叠函数的比较

hstack vs vstack

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

h_result = np.hstack((arr1, arr2))  # 水平堆叠
print("hstack结果:", h_result)  # [1 2 3 4 5 6]

v_result = np.vstack((arr1, arr2))  # 垂直堆叠
print("vstack结果:")
print(v_result)
"""
[[1 2 3]
 [4 5 6]]
"""

hstack vs concatenate

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])

# 使用 hstack
h_result = np.hstack((arr1, arr2))

# 使用 concatenate
c_result = np.concatenate((arr1, arr2), axis=1)

print("hstack结果:")
print(h_result)
print("\nconcatenate结果:")
print(c_result)
print("\n两个结果相同吗?", np.array_equal(h_result, c_result))  # True

6. 实际应用案例

案例 1：合并特征矩阵

# 假设有两个不同的特征集
features1 = np.random.randn(100, 5)  # 100个样本，5个特征
features2 = np.random.randn(100, 3)  # 100个样本，3个特征

# 合并特征
combined_features = np.hstack((features1, features2))
print(f"原始特征1形状: {features1.shape}")
print(f"原始特征2形状: {features2.shape}")
print(f"合并后形状: {combined_features.shape}")  # (100, 8)

案例 2：图像处理中的通道合并

# 模拟RGB图像的三个通道
height, width = 256, 256
red_channel = np.random.randint(0, 256, (height, width), dtype=np.uint8)
green_channel = np.random.randint(0, 256, (height, width), dtype=np.uint8)
blue_channel = np.random.randint(0, 256, (height, width), dtype=np.uint8)

# 将三个单通道图像合并成多通道图像
rgb_image = np.hstack((red_channel.reshape(-1, 1), 
                       green_channel.reshape(-1, 1), 
                       blue_channel.reshape(-1, 1)))
rgb_image = rgb_image.reshape(height, width, 3)

print(f"红通道形状: {red_channel.shape}")  # (256, 256)
print(f"RGB图像形状: {rgb_image.shape}")    # (256, 256, 3)

案例 3：数据预处理

# 原始数据
X = np.array([[1, 2], [3, 4], [5, 6]])  # 特征
y = np.array([[0], [1], [0]])           # 标签

# 添加偏置项（全1列）
ones = np.ones((X.shape[0], 1))
X_with_bias = np.hstack((ones, X))

print("添加偏置项后的特征矩阵:")
print(X_with_bias)
"""
[[1. 1. 2.]
 [1. 3. 4.]
 [1. 5. 6.]]
"""

7. 常见错误和解决方法

错误 1：维度不匹配

# 错误示例
try:
    arr1 = np.array([[1, 2], [3, 4]])  # 形状: (2, 2)
    arr2 = np.array([[5, 6, 7]])       # 形状: (1, 3)
    result = np.hstack((arr1, arr2))
except ValueError as e:
    print(f"错误: {e}")
    print("解决方法: 确保所有数组的行数相同")

错误 2：数组维度不同

# 错误示例
try:
    arr1 = np.array([1, 2, 3])        # 一维，形状: (3,)
    arr2 = np.array([[4, 5, 6]])      # 二维，形状: (1, 3)
    result = np.hstack((arr1, arr2))
    print(result.shape)
except Exception as e:
    print(f"可能会出现问题: {e}")
    print("建议: 统一数组维度")

8. 性能考虑

import time

# 测试 hstack 性能
size = 10000

# 创建大数组
arr1 = np.random.randn(size, size)
arr2 = np.random.randn(size, size)

# 测试 hstack
start = time.time()
result = np.hstack((arr1, arr2))
hstack_time = time.time() - start

# 测试 concatenate
start = time.time()
result = np.concatenate((arr1, arr2), axis=1)
concat_time = time.time() - start

print(f"hstack 耗时: {hstack_time:.4f} 秒")
print(f"concatenate 耗时: {concat_time:.4f} 秒")
print("注意: hstack 内部调用 concatenate，性能基本相同")

9. 总结

10. 练习题

# 练习 1: 基本操作
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
# 尝试水平堆叠这两个数组

# 练习 2: 一维数组
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# 堆叠后会发生什么？

# 练习 3: 三个数组堆叠
arr1 = np.ones((3, 2))
arr2 = np.zeros((3, 2))
arr3 = np.full((3, 2), 5)
# 如何将它们水平堆叠？

# 答案
print("练习1结果:")
print(np.hstack((arr1, arr2)))

print("\n练习2结果:")
print(np.hstack((arr1, arr2)))

print("\n练习3结果:")
print(np.hstack((arr1, arr2, arr3)))