Qu'est-np.r_ faire (numpy)?
Code suivant est tiré de ici
sa = sort(a[i:i+block])
n += np.r_[sa.searchsorted(bins[:-1], 'left'),
sa.searchsorted(bins[-1], 'right')]
Donc je sais que searchsorted trouve que la position dans le tableau sa
où les éléments de bins
devra être inséré dans le but de garder sa
triés (left
donne l'index gauche de l'endroit où nous insérer la valeur et right
l'index droit).
Ce que je ne comprends pas, c'est l'ensemble de la construction autour d'elle signifie ce qui est
np.r_[array,array]
Qu'est-ce que np.r_
?
Juste pour que la communauté puisse mieux se concentrer toutes les réponses, il n'y a rien dans le documentation pour
Pour une raison quelconque, il n'a pas eu lieu pour moi de google pour numpy.r - stupide. Cela résout-il, merci.
np.r_
qui n'est pas clair?Pour une raison quelconque, il n'a pas eu lieu pour moi de google pour numpy.r - stupide. Cela résout-il, merci.
OriginalL'auteur Philipp | 2015-06-02
Vous devez vous connecter pour publier un commentaire.
Ce qu'il fait est de la ligne sage fusion. Ce post a quelques belles exemple:
Lire plus à ce sujet dans le présent , et dans le la documentation de numpy.
np.hstack
?vous voudrez peut-être lire cette réponse...
OriginalL'auteur omerbp
Ce est utilisé pour concaténer n'importe quel nombre de tableau tranches le long de la ligne (premier axe). C'est un moyen simple de créer des tableaux numpy rapidement et efficacement.
Par exemple, pour créer un tableau à partir de deux tableaux en sélectionnant les éléments de votre choix, nous allons devoir attribuer les tranches de valeurs à une nouvelle grandeur et utiliser la méthode de concaténation à se joindre à eux le long d'un axe.
Je veux créer un nouveau tableau 2d, avec 2*2 éléments ([4,5,14,15]) alors, je vais le faire de suite,
Que c'est clairement un moyen inefficace parce que, comme le nombre d'éléments qui doivent être inclus dans le nouveau tableau augmente, les variables temporaires qui sont affectés à stocker les tranches de valeurs augmente.
C'est là que nous utilisons np.r_
De même, si nous voulons créer un nouveau tableau par l'empilement de tranches de valeurs dans le 2ème axe, nous pouvons utiliser np.c_
np.concatenate((a[1,1:3], b[1,1:3]), axis = 0)
etnp.r_[a[1,1:3],b[1,1:3]]
. Pourquoi à l'aide denp.r_
être plus efficace? Comme je sais l'avantage denp.r_
surnp.concatenate
est quenp.concatenate
ne prend que des tableaux d'entrée.OriginalL'auteur vivek