python为什么使用numpy.r_而不是连接

Question

在哪种情况下，使用诸如 numpy.r_ 或 numpy.c_ 之类的对象比使用诸如 concatenate 或 vstack 之类的函数更好（更有效、更合适）？

我正在尝试理解程序员编写的代码，例如：

return np.r_[0.0, 1d_array, 0.0] == 2

其中1d_array 是一个数组，其值可以是 0、1 或 2。 为什么不使用 np.concatenate （例如）代替？喜欢：

return np.concatenate([[0.0], 1d_array, [0.0]]) == 2

它更具可读性，显然它做同样的事情。

Answer 1

我也对这个问题感兴趣，比较了速度

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)

对于任何输入向量a，它们都做同样的事情。这是我发现的（使用perfplot）：

对于较小的数字，numpy.concatenate 是赢家，对于较大的（大约 3000 个）stack/vstack。

---

情节是用

创建的

import numpy
import perfplot

perfplot.show(
    setup=lambda n: numpy.random.rand(n),
    kernels=[
        lambda a: numpy.c_[a, a],
        lambda a: numpy.stack([a, a]).T,
        lambda a: numpy.vstack([a, a]).T,
        lambda a: numpy.column_stack([a, a]),
        lambda a: numpy.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)",
    logx=True,
    logy=True,
)

Answer 2

np.r_ 在numpy/lib/index_tricks.py 文件中实现。这是纯 Python 代码，没有特殊的编译内容。所以它不会比用concatenate、arange 和linspace 编写的等价物快。只有当符号符合您的思维方式和您的需求时，它才有用。

在您的示例中，它只是将标量转换为列表或数组：

In [452]: np.r_[0.0, np.array([1,2,3,4]), 0.0]
Out[452]: array([ 0.,  1.,  2.,  3.,  4.,  0.])

参数相同的错误：

In [453]: np.concatenate([0.0, np.array([1,2,3,4]), 0.0])
...
ValueError: zero-dimensional arrays cannot be concatenated

正确添加 []

In [454]: np.concatenate([[0.0], np.array([1,2,3,4]), [0.0]])
Out[454]: array([ 0.,  1.,  2.,  3.,  4.,  0.])

hstack 会通过 [atleast_1d(_m) for _m in tup] 传递所有参数来解决这个问题：

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r_ 的真正用处在于您想使用范围

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_ 允许您使用在索引中使用的: 语法。那是因为它实际上是一个具有__getitem__ 方法的类的实例。 index_tricks 多次使用这个编程技巧。

他们已经抛出了其他的花里胡哨

使用imaginary 步骤，使用np.linspace 而不是np.arange 来扩展切片。

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。

我对@9​​87654321@中的许多切片进行了一些时间测试

Answer 3

你需要的所有解释：

https://sourceforge.net/p/numpy/mailman/message/13869535/

我发现最相关的部分是：

"""
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])
"""