Непонятного вида вызов np.array() в вызове функции кусочно-линейной регрессии

Start by preparing your data as list-likes of timestamps (independent variables) and values (dependent variables).

import numpy as np

t = np.arange(10)
v = np.array(
    [2*i for i in range(5)] +
    [10-i for i in range(5, 10)]
) + np.random.normal(0, 1, 10)

Данный код готовит данные для функции кусочно-линейной регрессии. Взят отсюда, вот описание функции. Я новичек в numpy, не могу понять, что получится если сложить два списка внутри вызова функции array. Функция np.random.normal, я так понял берёт 10 семплов стандартного распределения и поэлементно складывает их с той хренью, что внутри вызова array. Внутри него, как я понял, создаются два списка [0, 2, 4, 6, 8] и [5, 4, 3, 2, 1]. Но я не могу найти в гугле, что будет, если использовать эти два списка внутри вызова array с использованием оператора +. Подскажите, что тут к чему.

Далее идёт следующее

Now, you're ready to import the piecewise() function and fit a piecewise linear regression.

from piecewise import piecewise

model = piecewise(t, v)

model is a FittedModel object. If you are at a shell, you can print the object to see the fitted segments domains and regression coefficients.

>>> model
FittedModel with segments:
* FittedSegment(start_t=0, end_t=5, coeffs=(-0.8576123780622642, 2.224791099812951))
* FittedSegment(start_t=5, end_t=9, coeffs=(10.975487672814133, -1.0722348284390741))

Здесь для сегментов графика из двух линейных уравнений вида y=kx+b вроде передаются две пары из смещения графика по оси y (b) и коэфициент наклона (k). Я ничего не перепутал? Далее

To see a plot, instead of getting a FittedModel, use piecewise_plot(). You may also use an existing FittedModel.

from piecewise import piecewise_plot

# using an existing FittedModel
piecewise_plot(t, v, model=model)

# fitting a model on the fly
piecewise_plot(t, v)

Вот выводимый график В этой части ничего не понятного нет, но он пригодится для понимания предыдущей части про смещение и коэффициент.