numpy 中的Axis（轴）含义 np.newaxis numpy.expand_dims

桃扇骨 2021-06-24 15:58 368阅读 0赞

以下举例：  
np.array(\[1, 2, 3\])  
当你看以上数组时，从1到2，到3。这就是所谓的axis=0轴  
np.array(\[ \[1, 2\], \[3, 4\], \[4, 5\] \])  
再用相同的方法，看上面数组，首先是从\[1, 2\]到 \[3, 4\]到\[4, 5\]。这就是从0轴视角看的数据，当我们选择0轴所在的第一个元素\[1, 2\]时，我们看到的是从1到2。这就是从1轴看到的数据。看一下按1轴的拼接：首先我们找到y1和y2的0轴，在对应0轴内每个元素按照1轴进行拼接。y1 0轴第一个元素\[\[1,0\],\[1,0\]\]与y2 0轴第一个元素\[\[0,0\],\[0,0\]\]按照2轴拼接成：  
\[\[1, 0\],  
\[1, 0\],  
\[0, 0\],  
\[0, 0\]\]

y1 = np.array([ [[1,0],[1,0]] , [[0,0],[0,0]] ])
    y2 = np.array([ [[0,0],[0,0]] , [[0,1],[0,1]] ])
    np.concatenate((y1,y2),axis=1)  #按轴=1拼
     array([[[1, 0], [1, 0], [0, 0], [0, 0]],
    
           [[0, 0], [0, 0], [0, 1], [0, 1]]])

**理解numpy中的轴：**

:表示当前维的所有索引值都取
    import numpy as np
    t = np.array(
      [
          [
              [
               [1,2,3],  
               [4,5,6]
              ],  
              [
               [7,8,9],  
               [10,11,12]
              ],  
              [
               [13,14,15],  
               [16,17,18]
              ]
          ],  
          [
              [
               [19,20,21],  
               [22,23,24]
              ],  
              [
               [25,26,27],  
               [28,29,30]
              ],  
              [
               [31,32,33],
               [34,35,36]
              ]
          ]
      ])

print(t[0,:,:,:])
    [[[ 1 2 3] [ 4 5 6]]
    
     [[ 7 8 9] [10 11 12]]
    
     [[13 14 15] [16 17 18]]]

print(t[:,0,:,:])
    [[[ 1 2 3] [ 4 5 6]]
    
     [[19 20 21] [22 23 24]]]

print(t[:,:,0,:])
    [[[ 1 2 3] [ 7 8 9] [13 14 15]]
    
     [[19 20 21] [25 26 27] [31 32 33]]]

print(t[:,:,:,0])
    [[[ 1 4] [ 7 10] [13 16]]
    
     [[19 22] [25 28] [31 34]]]

**np.newaxis：**  
np.newaxis相当于新插入一个轴

a=np.array([1,2,3,4,5])
    b=a[np.newaxis,:]
    print a.shape,b.shape
    print a
    print b
    
    输出结果：
    (5,) (1, 5)
    [1 2 3 4 5]
    [[1 2 3 4 5]]

a=np.array([1,2,3,4,5])
    b=a[:,np.newaxis]
    print a.shape,b.shape
    print a
    print b
    
    输出结果
    (5,) (5, 1)
    [1 2 3 4 5]
    [[1] [2] [3] [4] [5]]

**numpy.expand\_dims**  
numpy.expand\_dims同样是用于扩充数组维度

>>> x = np.array([1,2])
    >>> x.shape
    (2,)
    
    >>> y = np.expand_dims(x, axis=0)  #等价于 x[np.newaxis,:]或x[np.newaxis]
    >>> y
    array([[1, 2]])
    >>> y.shape
    (1, 2)   #看np.newaxis位置（在:之前）可知插入在2之前
    
    >>> y = np.expand_dims(x, axis=1)  #等价于x[:,newaxis]
    >>> y
    array([[1], [2]])
    >>> y.shape
    (2, 1)  #看np.newaxis位置（在:之后）可知插入在2之后
    
    >>> np.newaxis is None
    True

二维情况：

x = np.array([[1,2,3],[4,5,6]])
    print x
    print x.shape
    
    [[1 2 3] [4 5 6]]
    (2, 3)

y = np.expand_dims(x,axis=0)
    print y
    print "y.shape: ",y.shape
    print "y[0][1]: ",y[0][1]
    
    [[[1 2 3]
      [4 5 6]]]
    y.shape:  (1, 2, 3)
    y[0][1]:  [4 5 6]

y = np.expand_dims(x,axis=1)
    print y
    print "y.shape: ",y.shape
    print "y[1][0]: ",y[1][0]
    
    [[[1 2 3]]
    
     [[4 5 6]]]
    y.shape:  (2, 1, 3)
    y[1][0]:  [4 5 6]

y = np.expand_dims(x,axis=3)
    print y
    print "y.shape: ",y.shape
    
    
    [[[1] [2] [3]]
    
     [[4] [5] [6]]]
    y.shape:  (2, 3, 1)