NumPy中np.c_ 和 np.r_ 的区别小结

在Python的数据科学库中，NumPy无疑是最受欢迎和最常用的库之一。NumPy为大型多维数组和矩阵提供了强大的支持，并包含了一系列用于操作这些数组的函数。在这篇文章中，我们将深入探讨NumPy中的两个函数：np.c_ 和 np.r_。这两个函数都用于将多个数组按列（column）或行（row）拼接在一起，但它们之间有一些微妙的差异。

一、🚀 np.c_：按列拼接

np.c_ 函数用于将多个一维或二维数组按列拼接在一起。这意味着它将数组水平地堆叠在一起。

代码示例：

import numpy as np

# 创建两个一维数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 使用 np.c_ 按列拼接
c = np.c_[a, b]

print(c)

print("*"*50)

# 创建两个二维数组
x = np.array([[1, 2], [3, 4]])
y = np.array([[5, 6], [7, 8]])

# 使用 np.c_ 按列拼接
z = np.c_[x, y]

print(z)

输出：

[[1 4]
 [2 5]
 [3 6]]
**************************************************
[[1 2 5 6]
 [3 4 7 8]]

如你所见，np.c_ 函数将数组水平地堆叠在一起，意味者如果两个数组的行数不相同，将会报错：

import numpy as np

# 创建两个二维数组
x = np.array([[1, 2, 3], [3, 4, 5], [6, 7, 8]])
print(x.shape) # (3, 3) 三行三列
y = np.array([[5, 6], [7, 8]])
print(y.shape) # (2, 2) 两行两列

# 使用 np.c_ 按列拼接
z = np.c_[x, y]

print(z)

运行报错：

ValueError: all the input array dimensions except for the concatenation axis must match exactly, but along dimension 0, the array at index 0 has size 3 and the array at index 1 has size 2

二、🚀 np.r_：按行拼接

相比之下，np.r_ 函数用于将多个一维或二维数组按行拼接在一起。这意味着它将数组垂直地堆叠在一起。

代码示例：

import numpy as np

# 创建两个一维数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 使用 np.r_ 按行拼接
c = np.r_[a, b]

print(c)

print("*"*50)

# 创建两个二维数组
x = np.array([[1, 2], [3, 4]])
y = np.array([[5, 6]])

# 使用 np.r_ 按行拼接
z = np.r_[x, y]

print(z)

输出：

[1 2 3 4 5 6]
**************************************************
[[1 2]
 [3 4]
 [5 6]]

注意，当使用 np.r_ 进行拼接时，输出数组的行数将是输入数组行数的总和。同样，如果输入数组的列数不匹配，也会出现类似的报错。

三、🎯 性能与内存考虑

虽然 np.c_ 和 np.r_ 在功能上有所不同，但在大多数情况下，它们的性能差异并不显著。然而，当处理大型数据集时，理解这些函数的内部工作原理和潜在的内存影响是很重要的。

由于 np.c_ 和 np.r_ 都是基于NumPy的底层函数实现的，它们通常比使用Python的内置列表拼接操作更快、更高效。这是因为NumPy能够在C语言级别上执行这些操作，从而避免了Python解释器的开销。

四、💡 使用场景分析

选择使用 np.c_ 还是 np.r_ 取决于你的具体需求。

• 如果你需要将多个数组水平地堆叠在一起（即按列拼接），那么应该使用 np.c_。
• 如果你需要将多个数组垂直地堆叠在一起（即按行拼接），那么应该使用 np.r_。

此外，当处理多维数组时，了解数组的形状和维度是非常重要的。这将帮助你确定应该使用 np.c_ 还是 np.r_，以确保得到期望的结果。

五、🎉 总结

np.c_ 和 np.r_ 是NumPy库中两个非常有用的函数，它们分别用于按列和按行拼接数组。虽然它们的功能相似，但它们之间的主要区别在于拼接的方向。了解这些差异并根据具体需求选择适当的函数，将帮助你更有效地处理多维数组和矩阵。

在数据科学、机器学习和科学计算中，经常需要对数组进行各种变换和操作。np.c_ 和 np.r_ 提供了方便的方式来水平或垂直地堆叠数组，这对于数据预处理、特征工程以及构建和训练模型等任务非常有用。

到此这篇关于NumPy中np.c_ 和 np.r_ 的区别小结的文章就介绍到这了,更多相关NumPy np.c_ 和 np.r_ 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论