Question

我多次阅读有关numpy.c_的文档，但仍然感到困惑。据说 - ＆＃34;将切片对象转换为沿第二轴的连接。＆＃34;在以下文件中。有谁可以在下面的例子中澄清，什么是切片对象，什么是第二轴？我看到它们都是一个维度而且混淆了第二轴的来源。

在Windows上使用Python 2.7。

http://docs.scipy.org/doc/numpy-1.6.0/reference/generated/numpy.c_.html#numpy.c_

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

Answer 1

np.c_是进行数组连接的另一种方法

In [701]: np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
Out[701]: array([[1, 2, 3, 0, 0, 4, 5, 6]])

In [702]: np.concatenate([np.array([[1,2,3]]), [[0]], [[0]], np.array([[4,5,6]])], 
     axis=1)
Out[702]: array([[1, 2, 3, 0, 0, 4, 5, 6]])

两种情况下的输出形状均为（1,8）;串联在轴= 1，第二轴。

c_负责将0的维度扩展为np.array([[0]])，即连接所需的2d（1,1）。

np.c_（和np.r_）实际上是一个带有__getitem__方法的类对象，因此它适用于[]语法。 numpy/lib/index_tricks.py源文件是有益的阅读。

请注意，row版本使用：slice语法，生成1d（8）数组（相同数字，但在1d内）

In [706]: np.r_[1:4,0,0,4:7]
Out[706]: array([1, 2, 3, 0, 0, 4, 5, 6])
In [708]: np.concatenate((np.arange(4),[0],[0],np.arange(4,7)))
Out[708]: array([0, 1, 2, 3, 0, 0, 4, 5, 6])
In [710]: np.hstack((np.arange(4),0,0,np.arange(4,7)))
Out[710]: array([0, 1, 2, 3, 0, 0, 4, 5, 6])

np.c_是一种便利，但不是您需要了解的内容。我认为能够直接使用concatenate更有用。它迫使您明确考虑输入的维度。

[[1,2,3]]实际上是一个列表 - 包含一个列表的列表。 np.array([[1,2,3]])是一个形状为（2,3）的二维数组。 np.arange(1,4)生成一个具有相同数字的（3，）数组。 np.arange(1,4)[None,:]使其成为（1,3）数组。

slice(1,4)是切片对象。 np.r_和np.c_可以将切片对象转换为数组 - 实际使用np.arange。

In [713]: slice(1,4)
Out[713]: slice(1, 4, None)
In [714]: np.r_[slice(1,4)]
Out[714]: array([1, 2, 3])
In [715]: np.c_[slice(1,4)]   # (3,1) array
Out[715]: 
array([[1],
       [2],
       [3]])
In [716]: np.c_[1:4]   # equivalent with the : notation
Out[716]: 
array([[1],
       [2],
       [3]])

回到最初的例子（可能不是最好的）：

In [722]: np.c_[[np.r_[1:4]],0,0,[np.r_[4:7]]]
Out[722]: array([[1, 2, 3, 0, 0, 4, 5, 6]])

==========

In [731]: np.c_[np.ones((5,3)),np.random.randn(5,10)].shape
Out[731]: (5, 13)

对于np.c_，两者的第一维需要匹配。

在learn示例中，n_samples是X（行）的第一个暗淡，而randn也需要有那么多行。

n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

np.concatenate([(X, randn(n_samples...)], axis=1)也应该在这里工作。有点讽刺，但功能相同。

困惑于numpy.c_文档和示例代码

1 个答案: