Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-26

1 Объединение данных в единую структуру - это операция, с которой сталкиваются при поступлении данных. С помощью нее мы можем объединять данные из разных источников, а также асинхронные ответы сервера и результаты параллельных и последовательных вычислений. В стандартном Python есть структуры данных list и set. Их можно объединять с помощью append() и update(). Еще можно использовать функцию zip() - она нужна для попарного объединения значений. В Numpy это работает по-другому.

2 Массивы numpy.ndarray поддерживают сценарии объединения массивов различной размерности по разным осям индексов. Для этого используются четыре метода:

3 <ul><li>Конкатенация - concatenate()</li>

4 <li>Объединение массивов по горизонтали - hstack()</li>

5 <li>Объединение массивов по вертикали - vstack()</li>

6 <li>Попарное объединение элементов списков - column_stack()</li>

7 </ul>В этом уроке мы рассмотрим правила их применения и узнаем, какие нюансы нужно учитывать в работе с ними.

8 <h2>Одномерные структуры данных</h2>

9 Начнем с одномерных структур данных, потому что они встречаются чаще всего.

10 Объединение списков значений в Python делаются операцией +. В Numpy ту же роль выполняют методы concatenate() и hstack():

11 Обратите внимание, что в примере выше мы объединили массивы по горизонтали. Для этого мы использовали метод hstack() (сокращение от английскогоhorisontal stack).

12 А теперь попробуем объединить массивы в вертикальном направлении. Здесь понадобится метод vstack() (от англ.vertical stack). Для вертикального объединения также подойдет инициализация нового массива из списка исходных массивов. Этот подход аналогичен формированию списка списков:

13 Еще одна удобная и распространенная операция - попарное объединение элементов списков. Как уже говорили, в стандартном Python для этой цели используется метод zip().

14 В Numpy используется аналог - метод column_stack():

15 В итоге мы рассмотрели все четыре метода и выяснили, как они работают для одномерных массивов. Эти же знания применимы и к массивам с большей размерностью.

16 <h2>Двумерные структуры данных</h2>

17 Попробуем объединить двумерные структуры - матрицы. Это можно сделать в двух направлениях.

18 В этом примере мы объединим данные по вертикали:

19 Также можно объединять данные по горизонтали:

20 Все примеры выше демонстрировали объединение двух массивов. Однако массивов может быть больше.

21 <h2>Многомерные структуры данных</h2>

22 Предположим, что в результате асинхронных запросов к серверу было получено три списка значений для трех дней продаж магазина. Чтобы объединить ответы сервера в единую таблицу, можно использовать все те же методы:

23 Запросы к серверу могут быть не по дням, а по магазинам. В этом случае также применимы методы объединения:

24 В примере выше используетсятранспонирование матрицы. Результат транспонирования - это матрица, в которой столбцы исходной таблицы становятся строками.

25 Посмотрим на исходную матрицу:

26 А теперь сравним ее с транспонированной:

27 <h2>Выводы</h2>

28 В этом уроке мы рассмотрели методы объединения массивов numpy.ndarray. Все методы работают для данных с разной размерностью: одномерными, двумерными и многомерными. При этом на вход методы могут получать любое количество массивов.

29 Чтобы выбрать правильный метод объединения, проговорите про себя, что нужно сделать:

30 <ul><li>Если горизонтально состыковать массивы, используем hstack()</li>

31 <li>Если вертикально состыковать массивы, используем vstack()</li>

32 <li>Если объединить значений поэлементно из нескольких колонок, используем column_stack()</li>

33 </ul>