np.newaxis 為 numpy.ndarray(多維陣列)增加一個軸
阿新 • • 發佈:2019-01-23
>> type(np.newaxis)
NoneType
>> np.newaxis == None
True
np.newaxis 在使用和功能上等價於 None,檢視原始碼發現:newaxis = None
,其實就是 None 的一個別名。
1. np.newaxis 的實用
>> 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. 索引多維陣列的某一列時返回的是一個行向量
>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> X[:, 1]
array([2, 6, 10]) % 這裡是一個行
>>> X[:, 1].shape % X[:, 1] 的用法完全等同於一個行,而不是一個列,
(3, )
如果我們索引多維陣列的某一列時,返回的仍然是列的結構,一種正確的索引方式是:
>>>X[:, 1][:, np.newaxis]
array([[2],
[6],
[10]])
如果想實現第二列和第四列的拼接(層疊):
>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]])
% hstack:horizontal stack,水平方向上的層疊
>>>X_sub
array([[2, 4]
[6, 8]
[10, 12]])
當然更為簡單的方式還是使用切片:
>> 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 # 這樣做是沒有問題的
>> mean_X = np.mean(X, axis=1)
>> X - mean_X
ValueError: operands could not be broadcast together with shapes (2,3) (2,)
此時便需要手動的調整 mean_X 的維度,使其能夠 broadcast,有以下三種方式,在指定的軸上進行 broadcast:
- mean_X[:, None]
- mean_X[:, np.newaxis]
- mean_X = np.expand_dims(mean_X, axis=1)