Thông báo: Download 4 khóa học Python từ cơ bản đến nâng cao tại đây.
Cách sử dụng hàm vstack() trong NumPy
Trong bài viết này, mình sẽ tìm hiểu cách sử dụng hàm NumPy vstack() - một công cụ mạnh mẽ trong việc gộp các phần tử của hai hoặc nhiều mảng thành một mảng duy nhất theo chiều dọc.
Giới thiệu về hàm vstack() trong NumPy
Hàm vstack() trong NumPy cho phép gộp các phần tử của hai hoặc nhiều mảng thành một mảng duy nhất theo chiều dọc (tức là theo hàng).
Dưới đây là cú pháp của hàm vstack():
numpy.vstack((a1, a2, ...))
Trong cú pháp này, (a1, a2, ...)
là một dãy các mảng có kiểu ndarray.
Bài viết này được đăng tại [free tuts .net]
Tất cả các mảng a1, a2, ...
phải có cùng kích thước trên tất cả các trục trừ trục đầu tiên. Nếu chúng là các mảng 1D, chúng phải có cùng chiều dài.
Ví dụ về hàm vstack() trong NumPy
Hãy xem một số ví dụ về cách sử dụng hàm vstack().
Sử dụng hàm vstack() để gộp các phần tử của các mảng 1D
Ví dụ sau sử dụng hàm vstack() để gộp hai mảng 1D theo chiều dọc:
import numpy as np a = np.array([1, 2]) b = np.array([3, 4]) c = np.vstack((a, b)) print(c)
Kết quả:
[[1 2] [3 4]]
Lưu ý rằng đối với các mảng 1D, tất cả các mảng đầu vào phải có cùng chiều dài, nếu không bạn sẽ gặp lỗi.
Ví dụ sau cố gắng gộp các phần tử của hai mảng 1D có độ dài khác nhau và gây ra lỗi:
import numpy as np a = np.array([1, 2]) b = np.array([3, 4, 5]) c = np.vstack((a, b)) print(c)
Lỗi:
ValueError: all the input array dimensions for the concatenation axis must match exactly, but along dimension 1, the array at index 0 has size 2 and the array at index 1 has size 3
Sử dụng hàm vstack() để gộp các phần tử của các mảng 2D
Ví dụ sau sử dụng hàm vstack() để gộp các phần tử của hai mảng 2D:
import numpy as np a = np.array([ [1, 2], [3, 4] ]) b = np.array([ [5, 6], [7, 8] ]) c = np.vstack((a, b)) print(c)
Kết quả:
[[1 2] [3 4] [5 6] [7 8]]
Kết bài
Sử dụng hàm NumPy vstack() cho phép bạn gộp hai hoặc nhiều mảng theo chiều dọc một cách dễ dàng và hiệu quả. Kỹ thuật này thường được áp dụng trong các tác vụ xử lý dữ liệu và phân tích khi bạn cần tạo ra một mảng lớn hơn từ các mảng con. Điều này giúp quản lý dữ liệu một cách thuận tiện và linh hoạt.