在Python的數(shù)據(jù)科學(xué)庫(kù)中，NumPy無(wú)疑是最受歡迎和最常用的庫(kù)之一。NumPy為大型多維數(shù)組和矩陣提供了強(qiáng)大的支持，并包含了一系列用于操作這些數(shù)組的函數(shù)。在這篇文章中，我們將深入探討NumPy中的兩個(gè)函數(shù)：np.c_ 和 np.r_。這兩個(gè)函數(shù)都用于將多個(gè)數(shù)組按列（column）或行（row）拼接在一起，但它們之間有一些微妙的差異。

一、?? np.c_：按列拼接

np.c_ 函數(shù)用于將多個(gè)一維或二維數(shù)組按列拼接在一起。這意味著它將數(shù)組水平地堆疊在一起。

代碼示例：

import numpy as np

# 創(chuàng)建兩個(gè)一維數(shù)組
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)

# 創(chuàng)建兩個(gè)二維數(shù)組
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)

輸出：

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

如你所見(jiàn)，np.c_ 函數(shù)將數(shù)組水平地堆疊在一起，意味者如果兩個(gè)數(shù)組的行數(shù)不相同，將會(huì)報(bào)錯(cuò)：

import numpy as np

# 創(chuàng)建兩個(gè)二維數(shù)組
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) 兩行兩列

# 使用 np.c_ 按列拼接
z = np.c_[x, y]

print(z)

運(yùn)行報(bào)錯(cuò)：

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_ 函數(shù)用于將多個(gè)一維或二維數(shù)組按行拼接在一起。這意味著它將數(shù)組垂直地堆疊在一起。

代碼示例：

import numpy as np

# 創(chuàng)建兩個(gè)一維數(shù)組
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)

# 創(chuàng)建兩個(gè)二維數(shù)組
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)

輸出：

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

注意，當(dāng)使用 np.r_ 進(jìn)行拼接時(shí)，輸出數(shù)組的行數(shù)將是輸入數(shù)組行數(shù)的總和。同樣，如果輸入數(shù)組的列數(shù)不匹配，也會(huì)出現(xiàn)類似的報(bào)錯(cuò)。

三、?? 性能與內(nèi)存考慮

雖然 np.c_ 和 np.r_ 在功能上有所不同，但在大多數(shù)情況下，它們的性能差異并不顯著。然而，當(dāng)處理大型數(shù)據(jù)集時(shí)，理解這些函數(shù)的內(nèi)部工作原理和潛在的內(nèi)存影響是很重要的。

由于 np.c_ 和 np.r_ 都是基于NumPy的底層函數(shù)實(shí)現(xiàn)的，它們通常比使用Python的內(nèi)置列表拼接操作更快、更高效。這是因?yàn)镹umPy能夠在C語(yǔ)言級(jí)別上執(zhí)行這些操作，從而避免了Python解釋器的開(kāi)銷。

四、?? 使用場(chǎng)景分析

選擇使用 np.c_ 還是 np.r_ 取決于你的具體需求。

• 如果你需要將多個(gè)數(shù)組水平地堆疊在一起（即按列拼接），那么應(yīng)該使用 np.c_。
• 如果你需要將多個(gè)數(shù)組垂直地堆疊在一起（即按行拼接），那么應(yīng)該使用 np.r_。

此外，當(dāng)處理多維數(shù)組時(shí)，了解數(shù)組的形狀和維度是非常重要的。這將幫助你確定應(yīng)該使用 np.c_ 還是 np.r_，以確保得到期望的結(jié)果。

五、?? 總結(jié)

np.c_ 和 np.r_ 是NumPy庫(kù)中兩個(gè)非常有用的函數(shù)，它們分別用于按列和按行拼接數(shù)組。雖然它們的功能相似，但它們之間的主要區(qū)別在于拼接的方向。了解這些差異并根據(jù)具體需求選擇適當(dāng)?shù)暮瘮?shù)，將幫助你更有效地處理多維數(shù)組和矩陣。

在數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和科學(xué)計(jì)算中，經(jīng)常需要對(duì)數(shù)組進(jìn)行各種變換和操作。np.c_ 和 np.r_ 提供了方便的方式來(lái)水平或垂直地堆疊數(shù)組，這對(duì)于數(shù)據(jù)預(yù)處理、特征工程以及構(gòu)建和訓(xùn)練模型等任務(wù)非常有用。

到此這篇關(guān)于NumPy中np.c_ 和 np.r_ 的區(qū)別小結(jié)的文章就介紹到這了,更多相關(guān)NumPy np.c_ 和 np.r_ 內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論