Was bedeutet np.r_ tun (numpy)?

Folgende code stammt aus hier

sa = sort(a[i:i+block])
n += np.r_[sa.searchsorted(bins[:-1], 'left'),
           sa.searchsorted(bins[-1], 'right')]

Also ich weiß, dass searchsorted findet die position im array sa wo die Elemente der bins müsste eingefügt werden, um zu halten sa sortiert (left gibt die index-Links, wo würden wir den Wert einfügen und right den richtigen index).
Was ich nicht verstehe, ist die ganze Konstruktion um ihn herum Sinn was ist

np.r_[array,array]

Was ist np.r_?

Nur so kann die Gemeinschaft besser konzentrieren können keine Antworten, gibt es etwas in der Dokumentation für np.r_, dass nicht klar ist?
Für einige Grund es didn ' T auftreten zu mir, um mit google nach numpy.r - dumm. Dies löst, danke.

InformationsquelleAutor Philipp | 2015-06-02

  1. 24

    Was es tut, ist zeilenweise Zusammenführen lässt. Dieser Beitrag hat einige nette Beispiel:

    >>>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])

    Lesen Sie mehr darüber in dieser und in der Dokumentation von numpy.

    Warum nicht verwenden np.hstack?
    möchten Sie vielleicht zu Lesen Antwort...

    InformationsquelleAutor omerbp

  2. 1
    numpy.r_[array[], array[]]

    Diese wird verwendet, um die verkettet eine beliebige Anzahl von array-slices entlang der Zeile (ersten) Achse. Dies ist eine einfache Möglichkeit zum erstellen numpy-arrays schnell und effizient.

    Beispielsweise zum erstellen eines array aus zwei verschiedenen arrays, indem die Auswahl der Elemente Ihrer Wahl, wir müssen ordnen Sie die in Scheiben geschnittenen Werte, um eine neue varaible und verwenden Verkettung-Methode an Ihnen entlang einer Achse. 

    >>> 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]])

    Ich möchte erstellen Sie eine neue 2-D-array mit 2*2 Elemente ([4,5,14,15]) dann werde ich das tun müssen die folgenden, 

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

    Als dies ist eindeutig eine sehr ineffiziente Methode, da die Anzahl der Elemente, die aufgenommen werden in das neue array erhöht, der temporäre Variablen zugeordnet sind, speichern Sie die in Scheiben geschnittenen Werte erhöht.

    Dies ist, wo wir np.r_

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

    Ebenso, wenn wir wollen, erstellen Sie ein neues array, indem man die geschnittenen Werte 2. Achse, die wir verwenden können, np.c_

    >>> c = np.c_[a[1,1:3],b[1,1:3]]
array([[ 4, 14],
       [ 5, 15]])
    Sie sagen, dass "als Anzahl der Elemente ...erhöht die temp-Variablen ... erhöht. Dies ist, wo wir np.r_". Aber ich sehe nicht den Unterschied zwischen der Linie: np.concatenate((a[1,1:3], b[1,1:3]), axis = 0) und np.r_[a[1,1:3],b[1,1:3]]. Warum sollte mit np.r_ effizienter sein hier? Ich weiß den Vorteil np.r_ über np.concatenate ist, dass np.concatenate dauert nur arrays als input.

    InformationsquelleAutor vivek

Schreibe einen Kommentar