在什么情况下使用像numpy.r_或numpy.c_这样的对象比使用函数(例如concatenate或vstack)更好(更高效、更适合)？
我正在尝试理解一段代码，其中程序员写了类似于以下内容：
return np.r_[0.0, 1d_array, 0.0] == 2
其中1d_array是一个值可以为0、1或2的数组。为什么不使用np.concatenate（例如）呢？像这样：
return np.concatenate([[0.0], 1d_array, [0.0]]) == 2
它更易读，而且显然做的是同样的事情。
np.r_实现在numpy/lib/index_tricks.py文件中。这是纯Python代码，没有任何特殊编译的东西。所以它不会比使用concatenate、arange和linspace等等等效的方法更快。它只有在符合您的思维方式和需求时才有用。
在你的例子中，它只是节省了将标量转换为列表或数组的步骤：
In [452]: np.r_[0.0, np.array([1,2,3,4]), 0.0]
Out[452]: array([ 0., 1., 2., 3., 4., 0.])
同样的参数导致错误:
In [453]: np.concatenate([0.0, np.array([1,2,3,4]), 0.0])
...
ValueError: zero-dimensional arrays cannot be concatenated
增加 [] 后正确
In [454]: np.concatenate([[0.0], np.array([1,2,3,4]), [0.0]])
Out[454]: array([ 0., 1., 2., 3., 4., 0.])
hstack通过将所有参数传递给[atleast_1d(_m) for _m in tup] 来处理此问题：
In [455]: np.hstack([0.0, np.array([1,2,3,4]), 0.0])
Out[455]: array([ 0., 1., 2., 3., 4., 0.])
所以至少在简单的情况下，它与hstack最相似。
但是r_的真正用处在于当您想使用范围时。
np.r_[0.0, 1:5, 0.0]
np.hstack([0.0, np.arange(1,5), 0.0])
np.r_[0.0, slice(1,5), 0.0]
r_让你可以使用索引中常用的:语法，这是因为它实际上是一个带有__getitem__方法的类的实例。index_tricks在多个地方使用了这个编程技巧。
此外，它们还添加了其他功能。
当使用一个imaginary步长时，使用np.linspace扩展切片而不是np.arange。
np.r_[-1:1:6j, [0]*3, 5, 6]
产生：
array([-1. , -0.6, -0.2, 0.2, 0.6, 1. , 0. , 0. , 0. , 5. , 6. ])
文档中有更多详细信息。
我在https://dev59.com/eJffa4cB1Zd3GeqP_rXR#37625115中对许多切片进行了一些时间测试。
numpy.c_[a, a]
numpy.stack([a, a]).T
numpy.vstack([a, a]).T
numpy.column_stack([a, a])
numpy.concatenate([a[:,None], a[:,None]], axis=1)
这些函数针对任何输入向量a都具有相同的功能。我使用perfplot，发现以下结果：
对于较小的数字，numpy.concatenate是优胜者，而对于较大的数字，则是stack/vstack。
绘制该图表的方法为
import numpy as np
import perfplot
b = perfplot.bench(
setup=np.random.rand,
kernels=[
lambda a: np.c_[a, a],
lambda a: np.stack([a, a]).T,
lambda a: np.vstack([a, a]).T,
lambda a: np.column_stack([a, a]),
lambda a: np.concatenate([a[:, None], a[:, None]], axis=1),
],
labels=["c_", "stack", "vstack", "column_stack", "concat"],
n_range=[2**k for k in range(22)],
xlabel="len(a)",
)
b.save("out.png")
b.show()
np._r，留下来用perfplot :) - Shmil The Cat"""
For r_ and c_ I'm summarizing, but effectively they seem to be doing
something like:
r_[args]:
concatenate( map(atleast_1d,args),axis=0 )
c_[args]:
concatenate( map(atleast_1d,args),axis=1 )
c_ behaves almost exactly like hstack -- with the addition of range
literals being allowed.
r_ is most like vstack, but a little different since it effectively
uses atleast_1d, instead of atleast_2d. So you have
>>> numpy.vstack((1,2,3,4))
array([[1],
[2],
[3],
[4]])
but
>>> numpy.r_[1,2,3,4]
array([1, 2, 3, 4])
"""
r_和c_与vstack和hstack进行比较是具有误导性的，甚至是错误的。对于1,2,3,4这个例子，四个操作分别产生形状为(4,)、(1,4)、(4,1)、(4,)的数组。在这个简单的例子中，r_和hstack产生的结果相同，而c_和vstack则是彼此的转置。 - hpaulj
np.r_[1:5, 3:7]与np.concatenate(np.arange(....)相同速度。最终都会变成一个concatenate调用。 - hpaulj