关于numpy.c_文档和示例代码感到困惑

Question

我多次阅读关于numpy.c_的文档，但仍然感到困惑。据说 - “将切片对象翻译为沿着第二轴的连接”。在下面的文件中。任何人都可以在下面的例子中阐明什么是切片对象，什么是第二轴？我发现它们都是一个维度，并且混淆了第二轴从哪里来。

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_是做阵列的另一种方式串联

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]]) 

输出形状是在两种情况下（1,8）;级联在轴= 1上，第二轴。

c_负责将0的尺寸扩展到np.array([[0]])，2d（1,1）需要连接。

np.c_（和np.r_）实际上是一个带有__getitem__方法的类对象，因此它可以与[]语法一起使用。 numpy/lib/index_tricks.py源文件是有教育意义的阅读。

注意，row版本的作品与：切片语法，产生1D（8）阵列（相同的数字，但在1D）

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_是一个方便的，但你必须不是了解。我认为能够直接使用concatenate更有用。它迫使你明确地思考输入的维度。

[[1,2,3]]实际上是一个列表 - 一个包含一个列表的列表。 np.array([[1,2,3]])是一个具有形状（1,3）的二维数组。 np.arange(1,4)产生一个具有相同数字的（3，）数组。 np.arange(1,4)[None,:]使其成为（1,3）阵列。

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 - 通过实际使用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]]) 

而且要回到最初的例子（这可能不是最好的）：

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1个dim，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)应该在这里工作。有点话语，但在功能上是相同的。