np.c

np.c_是按列增加拼接两个矩阵(效果是每行看上去延长了)，就是把两矩阵左右相加，要求行数相等。

np.r_是按行增加拼接两个矩阵(效果是每列看上去延长了)，就是把两矩阵上下相加，要求列数相等。

参见文档例子：
运行环境jupyternotebook
1.np.c_的用法：

np.c_[np.array([1,2,3]), np.array([4,5,6])]

分析：先明确np.array是用于数据科学计算的，array后面一个方括号数据都是默认列向量的，这也符合机器学习中特征和参数都是默认列向量。列向量[1,2,3]和列向量[4,5,6]根据定义按列相加拼接结果如下，[4,5,6]以列的形式拼接到了列向量[1,2,3]的后面。拼接好后就是一个3*2的矩阵了，如下：

结果：
array([[1, 4],
[2, 5],
[3, 6]])

np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]

分析：上面我们说了array后面数据带一个方括号是列向量，那么带两个显然就是矩阵了，这是1*3的矩阵。1，2，3分别是每一列，4，5，6也是每一列，按列相加，结果显而易见，如下：

结果：
array([[1, 2, 3, 0, 0, 4, 5, 6]])

再看一个np.c_例子：

a = np.array([[1, 2, 3],[7,8,9]])
b = np.array([[4,5,6],[1,2,3]])
c = np.c_[a,b]
c

结果：
array([[1, 2, 3, 4, 5, 6],
   [7, 8, 9, 1, 2, 3]])

2.np.r_的用法：

np.r_[np.array([1,2,3]), 0, 0, np.array([4,5,6])]

分析：np._r是按行增加拼接，首先一个方括号是列向量，[1,2,3]是列向量，竖起来，在它下面按行增加，0，0拼接上去，[4,5,6]也是列向量。如下：

结果：
array([1, 2, 3, 0, 0, 4, 5, 6])

a = np.array([[1, 2, 3],[7,8,9]])
b = np.array([[4,5,6],[1,2,3]])
g=np.r_[a,b]
g

结果
array([[1, 2, 3],
    [7, 8, 9],
    [4, 5, 6],
    [1, 2, 3]])

以上读者自己分析。
补充：np.r_，np.c_还有很多用法，给拼接的数据前面添加参数从而让列拼接的变成行拼接的，或者让拼接后仍是列向量的数据变成矩阵。这里就不展开讨论了，详细的用法读者可以用help(np.r_)或者help(np.c_)去看官方的帮助文档。