numpy中的np.c_和np.r_详解_np.c是什么意思-优快云博客

本文深入解析了NumPy库中np.c_和np.r_的功能，这两个函数分别用于按列和按行连接矩阵，通过实例展示了如何使用它们来操作矩阵数据，对于理解NumPy中的矩阵操作具有重要价值。

【时间】2018.12.03

【题目】numpy中的np.c_和np.r_详解

一、np.c_和np.r_用于连接两个矩阵

np.r_中的r是row（行）的缩写，是按行叠加两个矩阵的意思，也可以说是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，类似于pandas中的concat()。

np.c_中的c是column（列）的缩写，是按列叠加两个矩阵的意思，也可以说是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等，类似于pandas中的merge()。

二、示例说明

【代码】

import numpy as np

a = np.array([1, 2, 3]).reshape(1,3)

b = np.array([4, 5, 6]).reshape(1,3)

print(a.shape,b.shape)

print("a=",a,"b=",b)

c = np.c_[a,b]

print("np.c_[a,b]:\n",c)

print(c.shape)

d=np.r_[a,b]

print("np.r_[a,b]:\n",d)

print(d.shape)

【运行结果】：

【注意】若不使用reshape(1,3)，则默认是列向量，虽然依旧以行向量的形式显示，如下：

【代码】

import numpy as np

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

print(a.shape,b.shape)

print("a=",a,"b=",b)

c = np.c_[a,b]

print("np.c_[a,b]:\n",c)

print(c.shape)

d=np.r_[a,b]

print("np.r_[a,b]:\n",d)

print(d.shape)

【运行结果】