Python进阶学习–NumPy–np.c_ 和 np.r_ 的区别
🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程 👈
💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）
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：
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。
六、🤝 最后
亲爱的读者，感谢您每一次停留和阅读，这是对我们最大的支持和鼓励！🙏在茫茫网海中，您的关注让我们深感荣幸。您的独到见解和建议，如明灯照亮我们前行的道路。🌟若在阅读中有所收获，一个赞或收藏，对我们意义重大。
我们承诺，会不断自我挑战，为您呈现更精彩的内容。📚有任何疑问或建议，欢迎在评论区畅所欲言，我们时刻倾听。💬让我们携手在知识的海洋中航行，共同成长，共创辉煌！🌱🌳感谢您的厚爱与支持，期待与您共同书写精彩篇章！
您的点赞👍、收藏🌟、评论💬和关注💖，是我们前行的最大动力！
🎉 感谢阅读，祝你编程愉快！ 🎉