将多个数组按特定规则合并是数据处理的高频操作，NumPy提供的concatenate()函数作为数组拼接的核心工具，以其灵活性和高效性成为数据整合的关键桥梁。

一、concatenate()基础语法与核心参数

函数签名与核心作用

numpy.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting="same_kind")

• 核心功能：沿指定轴连接一个或多个数组，生成新数组
• 核心参数：
  • (a1, a2, ...)：必填，待连接的数组序列（需为相同数据类型或可自动转换）
  • axis：可选，指定连接轴（0为默认值，代表按垂直方向拼接）
  • dtype：可选，指定输出数组的数据类型（不指定时自动推断）

基础特性：形状匹配规则

连接轴（axis）上的数组形状必须一致，其他轴形状可不同。例如：

• 一维数组连接：所有数组必须为一维（形状匹配无要求，直接按顺序拼接）
• 二维数组按行拼接（axis=0）：列数（shape[1]）必须相同
• 二维数组按列拼接（axis=1）：行数（shape[0]）必须相同

二、多维数组拼接实战示例

1. 一维数组：最简单的序列拼接

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.concatenate((a, b))
print(c)         # 输出：[1 2 3 4 5 6]
print(c.shape)   # 输出：(6,)

一维数组拼接时，axis参数可省略（默认axis=0），本质是将多个数组的元素按顺序合并为一个长数组。

2. 二维数组：按行与按列拼接对比

按行拼接（垂直方向，axis=0）

需保证列数（第二维）相同：

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
row_concat = np.concatenate((arr1, arr2), axis=0)
print(row_concat)
# 输出：
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]
# 形状：(4, 2)（行数增加，列数不变）

按列拼接（水平方向，axis=1）

需保证行数（第一维）相同：

arr3 = np.array([[1, 3], [5, 7]])
col_concat = np.concatenate((arr1, arr3), axis=1)
print(col_concat)
# 输出：
# [[1 2 1 3]
#  [3 4 5 7]]
# 形状：(2, 4)（列数增加，行数不变）

3. 三维数组：沿深度轴拼接

假设处理视频数据（形状为(帧数, 高度, 宽度)），需按帧数合并：

video1 = np.random.rand(2, 100, 100)   # 2帧100x100图像
video2 = np.random.rand(3, 100, 100)   # 3帧同尺寸图像
merged_video = np.concatenate((video1, video2), axis=0)
print(merged_video.shape)  # 输出：(5, 100, 100)（帧数合并，高度宽度不变）

4. 灵活处理不同维度数组

通过axis参数，可将低维数组与高维数组拼接（自动广播维度）：

arr_2d = np.array([[1, 2], [3, 4]])
arr_1d = np.array([5, 6])
# 按行拼接：将1D数组视为2D数组（shape=(1,2)）
row_concat = np.concatenate((arr_2d, [arr_1d]), axis=0)
print(row_concat)
# 输出：
# [[1 2]
#  [3 4]
#  [5 6]]

三、与其他拼接函数的对比分析

1. vs vstack/hstack：便捷包装函数

• vstack((a1, a2))：等价于concatenate((a1, a2), axis=0)，专用于垂直拼接（按行）
• hstack((a1, a2))：等价于concatenate((a1, a2), axis=1)，专用于水平拼接（按列）
• 适用场景：当明确需要行/列拼接时，使用vstack/hstack更易读；需处理任意轴时用concatenate

2. vs concatenate与stack：维度创建的区别

• concatenate：沿已有轴合并，不增加新维度
• stack((a1, a2), axis=2)：在新轴上创建堆叠，会增加维度（例如将两个2D数组堆叠为3D数组）

示例对比：

a = np.array([1, 2]); b = np.array([3, 4])
concat_result = np.concatenate((a, b), axis=0)   # shape=(4,)
stack_result = np.stack((a, b), axis=0)           # shape=(2, 2)

3. 数据类型处理：自动转换与显式指定

当输入数组数据类型不同时，concatenate会按安全规则升级类型：

int_arr = np.array([1, 2], dtype=np.int32)
float_arr = np.array([3.0, 4.0], dtype=np.float64)
result = np.concatenate((int_arr, float_arr))
print(result.dtype)  # 输出：float64（int32升级为float64）# 显式指定类型：
result = np.concatenate((int_arr, float_arr), dtype=np.int32)  # 警告：可能丢失精度

四、实战场景：concatenate的典型应用

1. 数据集合并：批量处理多文件数据

在数据分析中，常需合并多个CSV文件读取的数组：

# 假设data1.shape=(100, 5), data2.shape=(200, 5)（同列数）
merged_data = np.concatenate((data1, data2), axis=0)  # 按行合并，总样本300

2. 图像数据增强：水平/垂直拼接

在计算机视觉中，可通过拼接生成新训练样本：

image1 = cv2.imread("image1.jpg")  # shape=(H, W, C)
image2 = cv2.imread("image2.jpg")  # 同尺寸图像
# 水平拼接（左右并列）
hori_concat = np.concatenate((image1, image2), axis=1)  # shape=(H, 2W, C)
# 垂直拼接（上下堆叠）
vert_concat = np.concatenate((image1, image2), axis=0)  # shape=(2H, W, C)

3. 模型输入处理：特征与标签拼接

在机器学习中，常需将特征矩阵与标签向量合并为完整数据集：

features = np.random.rand(100, 10)   # 100样本，10特征
labels = np.random.randint(0, 2, size=(100, 1))  # 100标签（列向量）
dataset = np.concatenate((features, labels), axis=1)  # 按列合并，shape=(100, 11)

4. 科学计算：矩阵分块重组

在数值计算中，可将大矩阵拆分为子矩阵处理后再合并：

# 拆分矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 重组为分块矩阵
block_matrix = np.concatenate((np.concatenate((A, np.zeros_like(A)), axis=1),np.concatenate((np.zeros_like(A), B), axis=1)),axis=0
)
# 输出：
# [[1. 2. 0. 0.]
#  [3. 4. 0. 0.]
#  [0. 0. 5. 6.]
#  [0. 0. 7. 8.]]

五、注意事项与常见错误

1. 形状不匹配错误

当连接轴上的维度不一致时，会抛出ValueError：

arr1 = np.array([[1, 2], [3, 4]])  # shape=(2,2)
arr2 = np.array([[5, 6, 7]])       # shape=(1,3)
try:np.concatenate((arr1, arr2), axis=0)  # 错误：列数不匹配（2 vs 3）
except ValueError as e:print(e)  # 输出：all the input array dimensions except for the concatenation axis must match exactly

2. 数据类型兼容性

虽然concatenate支持类型自动转换，但需注意精度丢失风险：

# 危险操作：将float数组转为int可能丢失小数部分
float_arr = np.array([1.5, 2.5])
int_arr = np.concatenate((float_arr,), dtype=np.int32)
print(int_arr)  # 输出：[1 2]（直接截断而非四舍五入）

3. 内存效率：避免频繁拼接小数组

多次拼接小数组会导致多次内存复制，建议预先计算总长度并初始化空数组：

# 低效做法（每次拼接生成新数组）
result = np.array([])
for i in range(1000):result = np.concatenate((result, np.array([i])))# 高效做法（预分配内存）
result = np.empty(1000, dtype=int)
for i in range(1000):result[i] = i

总结
concatenate()是NumPy数组拼接的核心工具：

1. 灵活性：通过axis参数支持任意维度的数组连接，覆盖从一维到N维的所有场景
2. 高效性：底层基于C实现，避免Python循环的性能损耗，适合大规模数据处理
3. 兼容性：支持不同数据类型的自动转换，无缝衔接各类输入数据

That’s all, thanks for reading!
觉得有用就点个赞、收进收藏夹吧！关注我，获取更多干货～