时间:2021-05-22
如下所示:
>> type(np.newaxis)NoneType>> np.newaxis == NoneTruenp.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)>> xarray([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_subarray([[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_XValueError: 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。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
np.newaxis新增一个轴如何将数组[0,1,2]转换成列向量用ndarray[:,np.newaxis]代码实质就是将原本的(0,1,2)移到行上,然后新
numpy中包含的newaxis可以给原数组增加一个维度np.newaxis放的位置不同,产生的新数组也不同一维数组x=np.random.randint(1,
NumPy数组是一个多维数组对象,称为ndarray创建一个numpy数组,如下所示importnumpyasnpx=np.array([[1,2,3],[4,
考虑这样一个问题,给定一个矩阵(多维数组,numpy.ndarray()),如何shuffle这个矩阵(也就是对其行进行全排列),如何随机地选择其中的k行,这叫
如下所示:>>type(np.newaxis)NoneType>>np.newaxis==NoneTruenp.newaxis在使用和功能上等价于None,其实