c下划线表达式"c_"到底是做什么的？

Question

它似乎是某种横向连接,但我在网上找不到任何文档.这是一个最小的工作示例:

In [1]: from numpy import c_
In [2]: a = ones(4)
In [3]: b = zeros((4,10))    
In [4]: c_[a,b]
Out[4]: 
array([[ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]])

Answer 1

使用IPython的?语法来获取更多信息:

In [2]: c_?
Type:       CClass
Base Class: <class 'numpy.lib.index_tricks.CClass'>
String Form:<numpy.lib.index_tricks.CClass object at 0x9a848cc>
Namespace:  Interactive
Length:     0
File:       /usr/lib/python2.7/dist-packages/numpy/lib/index_tricks.py
Docstring:
Translates slice objects to concatenation along the second axis.

This is short-hand for ``np.r_['-1,2,0', index expression]``, which is
useful because of its common occurrence. In particular, arrays will be
stacked along their last axis after being upgraded to at least 2-D with
1's post-pended to the shape (column vectors made out of 1-D arrays).

For detailed documentation, see `r_`.

Examples
--------
>>> np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
array([[1, 2, 3, 0, 0, 4, 5, 6]])

Answer 2

我花了很多时间来理解,但似乎我终于明白了.

您所要做的就是沿第二轴添加.

让我们来 :

np.c_[np.array([1,2,3]), np.array([4,5,6])]

但没有第二轴.所以我们在精神上添加一个.

所以两个阵列的形状都变成了(3,1).

因此得到的形状将是(3,1 + 1),即(3,2).这是结果的形状 -

np.array([[1,2,3]])

另一个例子:

array([[1, 4],
       [2, 5],
       [3, 6]])

形状:

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

1,3 = 0

[[0]]所以我们可以把它想象成1,1=1,3+1+1+3

所以结果1,8=array([[1, 2, 3, 0, 0, 4, 5, 6]])

这是结果的形状: (3,1)

Answer 3

使用 numpy 连接数组的简短技术是 np.c_ 和 np.r_

np.c_[] 沿第二个轴连接数组，但 np.r_[] 沿第一个轴连接数组

认为：

import numpy as np
a = np.array([[1,2,3],
             [11,22,33]]
             )
b = np.array([[4,5,6],
             [44,55,66]]
             )

a的形状：(2,3)即（行数，列数）也=（第1轴，第2轴）

b 的形状：(2,3) 即（第 1 轴，第 2 轴）

np.r_ 沿第一个轴连接，因此 np.r_[a,b] 给出：

array([[ 1,  2,  3],
       [11, 22, 33],
       [ 4,  5,  6],
       [44, 55, 66]])

即沿行（第一轴）串联，因此此处的行数会增加。

虽然 np.c_[a,b] 沿第二轴连接，即此处的列如下：

array([[ 1,  2,  3,  4,  5,  6],
       [11, 22, 33, 44, 55, 66]])

Answer 4

我将解释如下。它将您的第一个数组连接到函数中最后一个数组的最后一个维度（轴）。

例如：

# both are 2 dimensional array
a = array([[1, 2, 3], [4, 5, 6]])
b = array([[7, 8, 9], [10, 11, 12]])

现在，让我们来看看np.c_(a, b)：

首先，让我们看一下形状：

a 和 b 的形状都是(2, 3)。将 a (2, 3) 连接到 b (3) 的最后一个轴，同时保持其他轴不变 (1) 将变为

(2, 3 + 3) = (2, 6)

那是新的形状。

现在，让我们看看结果：

在 b 中，最后一个轴中的 2 个项目是：

1st: [7, 8, 9]
2nd: [10, 11, 12]

添加一个到它意味着：

1st item: [1,2,3] + [7,8,9] = [1,2,3,7,8,9]
2nd item: [4,5,6] + [10,11,12] = [4,5,6,10,11,12]

所以，结果是

[
  [1,2,3,7,8,9],
  [4,5,6,10,11,12]
]

它的形状是 (2, 6)

Answer 5

它将几个一维数组转换为一个二维数组，保留原始数组的一维作为二维数组的第一维。多个输入数组用作第二维。

可以这样想：如果您将每条 30 条记录的数据系列收集到单独的一维数组中，np.c_请像在 excel 表中一样组合这些系列：并排在 30 列的单独列中，而不是扩展第一个系列。

例如，2个起始数组：

>>> arrayX = np.array([X1,X2...,X30])
array([X1, X2..., X30])
>>> arrayY = np.array([Y1,Y2...,Y30])
array([Y1, Y2..., Y30])

让我们看看如何np.c_组合它们：

>>>arrayC = np.c_(arrayX, arrayY)
array([[X1, Y1],
       [X2, Y2],
       ...
       [X30, Y30]])

看到它仍然有 30 条记录吗？您现在可以使用第二维在数据系列之间导航。

该文档有些神秘地指出：“将切片对象转换为沿第二个轴的连接。” 第二轴什么？由此产生的二维数组，他们的意思。不清楚您是否不知道这是 的变体np.r_，它沿第一个轴连接；并且如果您不认为一维数组具有另一个维度。但从句法上来说，确实如此。

查询数组的形状来说明这一点：

>>> np.shape(arrayX)
(30,)
>>> np.shape(arrayY)
(30,)
>>> np.shape(arrayC)
(30,2)

您可以看到该np.c_方法创建了第二维或轴，并在那里进行了连接。相比之下：

>>> arrayR = np.r_[array1,array2]
array([X1, X2..., X30, Y1, Y2..., Y30])
>>> np.shape(arrayR)
(60,)

该np.r_方法在第一个维度内或沿第一个轴连接。