这似乎是某种水平连接，但我在网上找不到任何文档。这是一个最小的工作示例：
In [1]: from numpy import c_
In [2]: a = ones(4)
In [3]: b = zeros((4,10))
In [4]: c_[a,b]
Out[4]:
array([[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
使用 IPython 的?语法来获取更多信息：
In [2]: c_?
Type: CClass
Base Class: <class 'numpy.lib.index_tricks.CClass'>
String Form:<numpy.lib.index_tricks.CClass object at 0x9a848cc>
Namespace: Interactive
Length: 0
File: /usr/lib/python2.7/dist-packages/numpy/lib/index_tricks.py
Docstring:
Translates slice objects to concatenation along the second axis.
This is short-hand for ``np.r_['-1,2,0', index expression]``, which is
useful because of its common occurrence. In particular, arrays will be
stacked along their last axis after being upgraded to at least 2-D with
1's post-pended to the shape (column vectors made out of 1-D arrays).
For detailed documentation, see `r_`.
Examples
--------
>>> np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
array([[1, 2, 3, 0, 0, 4, 5, 6]])
我花了很多时间来理解，但似乎我终于明白了。
您所要做的就是沿第二个轴添加。
让我们来 ：
np.c_[np.array([1,2,3]), np.array([4,5,6])]
但是没有第二轴。所以我们在心里加一个。
所以两个数组的形状都变成了(3,1)。
因此，结果形状将是 (3,1+1)，即 (3,2)。这是结果的形状 -
array([[1, 4],
[2, 5],
[3, 6]])
另一个例子：
np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
形状：
np.array([[1,2,3]])=1,3
np.array([[4,5,6]])=1,3
0所以我们可以把它想象成[[0]]=1,1
所以结果1,3+1+1+3=1,8
这是结果的形状：array([[1, 2, 3, 0, 0, 4, 5, 6]])
我将解释如下。它将您的第一个数组连接到函数中最后一个数组的最后一个维度（轴）。
例如：
# both are 2 dimensional array
a = array([[1, 2, 3], [4, 5, 6]])
b = array([[7, 8, 9], [10, 11, 12]])
现在，让我们来看看np.c_(a, b)：
首先，让我们看一下形状：
a 和 b 的形状都是(2, 3)。将 a (2, 3) 连接到 b (3) 的最后一个轴，同时保持其他轴不变 (1) 将变为
(2, 3 + 3) = (2, 6)
那是新的形状。
现在，让我们看看结果：
在 b 中，最后一个轴中的 2 项是：
1st: [7, 8, 9]
2nd: [10, 11, 12]
添加 a 意味着：
1st item: [1,2,3] + [7,8,9] = [1,2,3,7,8,9]
2nd item: [4,5,6] + [10,11,12] = [4,5,6,10,11,12]
所以，结果是
[
[1,2,3,7,8,9],
[4,5,6,10,11,12]
]
它的形状是 (2, 6)
它将几个 1D 数组转换为 2D 数组，原始数组的一维保留为 2D 数组的第 1 维。多个输入数组用作第二维。
可以这样想：如果您将 30 条记录的数据系列收集到单独的一维数组中，np.c_请像在 excel 表中一样组合这些系列：并排在 30 列的单独列中，而不是扩展第一个系列。
例如，2 个起始数组：
>>> arrayX = np.array([X1,X2...,X30])
array([X1, X2..., X30])
>>> arrayY = np.array([Y1,Y2...,Y30])
array([Y1, Y2..., Y30])
让我们看看如何np.c_组合它们：
>>>arrayC = np.c_(arrayX, arrayY)
array([[X1, Y1],
[X2, Y2],
...
[X30, Y30]])
看看它仍然有 30 条记录吗？您现在可以使用第二个维度在数据系列之间导航。
文档有点神秘地指出：“将切片对象转换为沿第二个轴的连接。” 第二轴是什么？他们的意思是生成的二维数组。目前尚不清楚您是否不知道这是 的变体np.r_，它沿第一个轴连接；并且如果您不认为一维数组具有另一个维度。但从句法上讲，确实如此。
查询数组的形状来说明这一点：
>>> np.shape(arrayX)
(30,)
>>> np.shape(arrayY)
(30,)
>>> np.shape(arrayC)
(30,2)
您可以看到该方法创建了第二维或轴，np.c_并且在那里进行了连接。相比之下：
>>> arrayR = np.r_[array1,array2]
array([X1, X2..., X30, Y1, Y2..., Y30])
>>> np.shape(arrayR)
(60,)
该np.r_方法在第一维内或沿第一轴连接。
使用 numpy 连接数组的一种简短技术是 np.c_ 和 np.r_
np.c_[] 沿第二个轴连接数组，但 np.r_[] 沿第一个轴连接数组
认为：
import numpy as np
a = np.array([[1,2,3],
[11,22,33]]
)
b = np.array([[4,5,6],
[44,55,66]]
)
a的形状：（2,3）即（行数，列数）也=（第1轴，第2轴）
b 的形状：(2,3) 即（第 1 轴，第 2 轴）
np.r_ 沿第一个轴连接，因此 np.r_[a,b] 给出：
array([[ 1, 2, 3],
[11, 22, 33],
[ 4, 5, 6],
[44, 55, 66]])
即沿行（第一轴）连接，因此此处的行数会增加。
而 np.c_[a,b] 沿第二轴连接，即此处的列如下：
array([[ 1, 2, 3, 4, 5, 6],
[11, 22, 33, 44, 55, 66]])
实际上它不是一个函数，它是类 CClass 的一个对象。
it is "not a function, so takes no parameters
以上是官方文档所说的。您可以查看此问题以获取详细信息。
例如：
我有 2 个带有值的数组：
a = [x1,x2,x3]
b = [y1,y2,y3]
我们想将它们合并在一起，我们有类似的东西：[[x1, y2],[x2, y2],[x3, y3]].
因此我们使用numpy.c_[a, b]
import numpy
a = [1,2,3]
b = [4,5,6]
value = numpy.c_[a,b]
print(value)
# [
# [1, 4],
# [2, 5],
# [3, 6]
# ]
np.c_[[1,4,5,4,5,3],[1,4,2,4,5,3],[2,4,6,8,9,0]]..这个Concats阵列水平或按轴 0.So 阵列将是
array([[1, 1, 2],
[4, 4, 4],
[5, 2, 6],
[4, 4, 8],
[5, 5, 9],
[3, 3, 0]])
确定行数， 总元素/数组总数
（即 18/3）[{len([1,4,5,4,5,3])}+{len([1,4,5,4,5,3])}+{len([2 ,4,6,8,9,0])}]//len([[1,4,5,4,5,3],[1,4,2,4,5,3],[2, 4,6,8,9,0]])
所以上面的人给出了 6..SO 6 行将在那里。
对于列数， 总元素/长度（数组中的任何一个数组）
例如 18/len([1,4,5,4,5,3])
所以列将是 18/6，即 3。