Python np.r_u做什么（numpy）？

以下代码取自

因此我知道searchsorted会在数组

sa

中查找必须插入

bin

元素的位置，以保持

sa

的排序（

left

给出了插入值的左侧索引和

right

右侧索引）。 我不明白的是它周围的整个结构意味着什么

np.r_[array,array]

---

什么是np.r？

它所做的是行合并。有一些很好的例子：

>>>V = array([1,2,3,4,5,6 ])
>>>Y = array([7,8,9,10,11,12])
>>>np.r_[V[0:2],Y[0],V[3],Y[1:3],V[4:],Y[4:]]
array([ 1,  2,  7,  4,  8,  9,  5,  6, 11, 12])

阅读更多关于它的信息，在这里，并在numpy的

这用于沿行（第一）轴连接任意数量的阵列切片。这是一种快速高效地创建numpy阵列的简单方法

例如，要通过选择您选择的元素从两个不同的数组创建一个数组，我们必须将切片值分配给一个新变量，并使用串联方法沿一个轴连接它们

>>> a = np.arange(9).reshape(3,3)
>>> b = np.arange(10,19).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> b
array([[10, 11, 12],
       [13, 14, 15],
       [16, 17, 18]])

我想创建一个新的二维数组，包含2*2个元素（[4,5,14,15]），然后，我必须执行以下操作

>>> slided_a = a[1,1:3]
>>> sliced_b = b[1,1:3]
>>> new_array = np.concatenate((sliced_a, sliced_b), axis = 0) 

因为这显然是一种低效的方法，因为随着要包含在新数组中的元素数量的增加，分配用于存储切片值的临时变量也会增加

这就是我们使用np.r的地方_

>>> c = np.r_[a[1,1:3],b[1,1:3]]
array([ 4,  5, 14, 15])

同样，如果我们想通过在第二轴上叠加切片值来创建一个新数组，我们可以使用np.c_

>>> c = np.c_[a[1,1:3],b[1,1:3]]
array([[ 4, 14],
       [ 5, 15]])

---

只是为了让社区能够更好地关注任何答案，有没有什么不清楚的地方？出于某种原因，我没有想到谷歌会为numpy.r-dumby搜索。这就解决了问题，谢谢。@AlexRiley As@Gulzar:当然-但是提问者在提出问题之前仍然需要做一个基本的搜索。如果文档不存在，或者没有帮助或者不清楚，或者询问者只是想要一个比目前互联网上存在的文档更好的解释，那么这完全没问题，但是知道这一点很有帮助，这样就可以建立一个基线，并且答案可以提供最大的价值“随着元素数量…的增加，临时变量。。。增加。这就是我们使用np.r_.的地方。但是我看不出这行之间的区别：

np.concatenate（（a[1,1:3]，b[1,1:3]），axis=0）

和

np.r_[a[1,1:3]，b[1,1:3]]

。为什么在这里使用

np.r\ucode>更有效？正如我所知，
np.r\ucode>优于
np.concatenate
的优点是
np.concatenate
只接受数组作为输入。为什么不使用
np.hstack
？@mrglud您可能想读一下。。。
>>> c = np.r_[a[1,1:3],b[1,1:3]]
array([ 4,  5, 14, 15])

>>> c = np.c_[a[1,1:3],b[1,1:3]]
array([[ 4, 14],
       [ 5, 15]])