np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴
如下所示:
>> type(np.newaxis) NoneType >> np.newaxis == None True
np.newaxis 在使用和功能上等价于 None,查看源码发现:newaxis = None,其实就是 None 的一个别名。
1. np.newaxis 的实用
>> x = np.arange(3) >> x array([0, 1, 2]) >> x.shape (3,) >> x[:, np.newaxis] array([[0], [1], [2]]) >> x[:, None] array([[0], [1], [2]]) >> x[:, np.newaxis].shape (3, 1)
2. 索引多维数组的某一列时返回的是一个行向量
>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) >>> X[:, 1] array([2, 6, 10]) % 这里是一个行 >>> X[:, 1].shape % X[:, 1] 的用法完全等同于一个行,而不是一个列, (3, )
如果我们索引多维数组的某一列时,返回的仍然是列的结构,一种正确的索引方式是:
>>>X[:, 1][:, np.newaxis] array([[2], [6], [10]])
如果想实现第二列和第四列的拼接(层叠):
>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]]) % hstack:horizontal stack,水平方向上的层叠 >>>X_sub array([[2, 4] [6, 8] [10, 12]])
当然更为简单的方式还是使用切片:
>> X[:, [1, 3]] array([[ 2, 4], [ 6, 8], [10, 12]])
3. 使用 np.expand_dims
>> X = np.random.randint(0, 9, (2, 3)) >> mean_X = np.mean(X, axis=0) >> X - mean_X # 这样做是没有问题的 >> mean_X = np.mean(X, axis=1) >> X - mean_X ValueError: operands could not be broadcast together with shapes (2,3) (2,)
此时便需要手动的调整 mean_X 的维度,使其能够 broadcast,有以下三种方式,在指定的轴上进行 broadcast:
mean_X[:, None]
mean_X[:, np.newaxis]
mean_X = np.expand_dims(mean_X, axis=1)
以上这篇np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
最新评论