在昨天的文章中介紹到如何在 NumPy 建立各種不同的陣列，以及如何取值與取出 sub-array 。今天來聊聊一些更進階的陣列操作方法！

合併陣列

假設我們有兩個陣列如下：

x = np.array([1, 2, 3]) #[1, 2, 3]
y = np.array([4, 5, 6]) #[4, 5, 6]

我們可以用 np.concatenate() 方法將兩個陣列合併成

np.concatenate([x, y]) #array([1, 2, 3, 4, 5, 6])

不過讓我們今天要合併二維陣列，甚至是更高維度的陣列又會是什麼情況呢？讓我們來看看以下的例子，先用以下兩個式子產生兩個 2x3 的二維陣列

x = np.random.randint(0, 10, (2, 3))
y = np.random.randint(10, 20, (2, 3))

x 與 y 分別為

#x
[[0 6 5]
 [3 0 3]]

#y
[[11 13 11]
 [15 18 12]]

用 np.concatenate() 合併的結果為

array([[ 0,  6,  5],
       [ 3,  0,  3],
       [11, 13, 11],
       [15, 18, 12]])

我們會發現，陣列是沿著第一層的方向合併的。在 NumPy 當中，

np.concatenate([x, y])

其實就等於

np.concatenate([x, y], axis=0)

如果我們使用

np.concatenate([x, y], axis=1)

結果會變成

array([[ 0,  6,  5, 11, 13, 11],
       [ 3,  0,  3, 15, 18, 12]])

長得不太一樣了！

在這個例子中，沿著 axis=0 的方向合併，其實就是

new_array = [x[0],x[1],y[0],y[1]]

而沿著 axis=1 的方向合併，則是

new_array = [[x[0]元素 + y[0]元素],[x[1]元素 + y[1]元素]]

在 NumPy 當中，我們可以讓多個陣列根據我們指定的方向（axis）合併，因此有非常大的操作彈性！

分割陣列

在分割陣列的方法上，NumPy 也提供了很方便的方法。我們先從一維陣列來看

arr = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

假設我們要把上面這個陣列的 10 個元素切成三份，分別儲存在三個不同的變數當中。分割的方法是 3, 2, 5，我們可以用下面這個方法

x1, x2, x3 = np.split(arr, [3, 5])

得到的結果就會是

[1,2,3]      #x1
[4,5]        #x2
[6,7,8,9,10] #x3

如果我們要分割二維的陣列，則會有兩種切法，一種是 vsplit，顧名思義是 vertical split，也當然另外一種就是 hsplit，也就是 horizontal split

假設我們現在有個 3x3 的二維陣列為

#arr
[[0 1 2]
 [3 4 5]
 [6 7 8]]

假設今天我們想要從第一層去分割，變成第一層分別有 2 個、1 個元素的兩個陣列

x1, x2 = np.vsplit(arr, [2])

其結果會是

#x1
[[0 1 2]
 [3 4 5]]

#x2
[[6 7 8]]

這個切法看起來蠻簡單的，不過 NumPy 提供了另外一個更厲害的分割方式 hsplit

x3, x4 = np.hsplit(arr, [2])

其結果會變成

#x3
[[0 1]
 [3 4]
 [6 7]]

#x4
[[2]
 [5]
 [8]]

看起來就像是水平左右切開了！也就是保持分割的陣列第一層 (axis) 的數量還是跟原本的陣列一樣，不過在第二層分割開了

小技巧：用 ? 查詢文件

這裡讓我先岔個題，來提一下之前想提但是沒有機會提到的 IPython

IPython 是一個 python 的互動式 shell，內建許多 "magic function" 來幫助程式開發者完成任務，像是用 %timeit 來測量程式碼執行時間，用 %debug 來進行 debug 等等。你可以在 Jupyter 中打上 %magic 並執行，就可以看到 magic function 的相關介紹

不過我認為最常用到的是 ? 這個方法。舉例來說，假如我們不知道 np.hsplit 該怎麼使用，我們可以很簡單的在 Jupyter 當中打上 np.hsplit 然後加上一個 ? ，執行之後，就會看到下面跑出說明文件。

這個方法不僅僅可以用在檢查不同的方法，也可以檢查你目前在使用的變數的細節，非常方便喔！

希望今天的合併與分割陣列內容不會讓大家看得暈頭轉向，明天我們繼續看看 NumPy 的其他功能！