简而言之,当使用一次时,用于将现有数组的尺寸numpy.newaxis
再增加一维。从而,
一维阵列将变为二维阵列
2D阵列将变为3D阵列
3D阵列将变成4D阵列
4D阵列将变为5D阵列
等等..
这里是一个视觉说明描绘促进 1D阵列以二维阵列。
方案1:如上图所示,np.newaxis
当您想将一维数组显式转换为行向量或列向量时,可能会派上用场。
例:
# 1D array
In [7]: arr = np.arange(4)
In [8]: arr.shape
Out[8]: (4,)
# make it as row vector by inserting an axis along first dimension
In [9]: row_vec = arr[np.newaxis, :] # arr[None, :]
In [10]: row_vec.shape
Out[10]: (1, 4)
# make it as column vector by inserting an axis along second dimension
In [11]: col_vec = arr[:, np.newaxis] # arr[:, None]
In [12]: col_vec.shape
Out[12]: (4, 1)
场景2:当我们想将numpy广播用作某些操作的一部分时,例如在添加一些数组时。
例:
假设您要添加以下两个数组:
x1 = np.array([1, 2, 3, 4, 5])
x2 = np.array([5, 4, 3])
如果您尝试像这样添加它们,NumPy将引发以下内容ValueError
:
ValueError: operands could not be broadcast together with shapes (5,) (3,)
在这种情况下,您可以np.newaxis
用来增加数组之一的尺寸,以便NumPy可以广播。
In [2]: x1_new = x1[:, np.newaxis] # x1[:, None]
# now, the shape of x1_new is (5, 1)
# array([[1],
# [2],
# [3],
# [4],
# [5]])
现在,添加:
In [3]: x1_new + x2
Out[3]:
array([[ 6, 5, 4],
[ 7, 6, 5],
[ 8, 7, 6],
[ 9, 8, 7],
[10, 9, 8]])
另外,您也可以向数组添加新轴x2
:
In [6]: x2_new = x2[:, np.newaxis] # x2[:, None]
In [7]: x2_new # shape is (3, 1)
Out[7]:
array([[5],
[4],
[3]])
现在,添加:
In [8]: x1 + x2_new
Out[8]:
array([[ 6, 7, 8, 9, 10],
[ 5, 6, 7, 8, 9],
[ 4, 5, 6, 7, 8]])
注意:请注意,在两种情况下我们都得到相同的结果(但一种是另一种的转置)。
方案3:这类似于方案1。但是,你可以使用np.newaxis
不止一次地促进阵列更高的层面。有时对于高阶数组(即Tensors)需要这样的操作。
例:
In [124]: arr = np.arange(5*5).reshape(5,5)
In [125]: arr.shape
Out[125]: (5, 5)
# promoting 2D array to a 5D array
In [126]: arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis] # arr[None, ..., None, None]
In [127]: arr_5D.shape
Out[127]: (1, 5, 5, 1, 1)
关于np.newaxis和np.reshape的更多背景
newaxis
也称为伪索引,它允许将轴临时添加到多数组中。
np.newaxis
使用切片运算符来重新创建阵列而np.reshape
重塑阵列所需的布局(假设尺寸匹配;这是必须要reshape
发生)。
例
In [13]: A = np.ones((3,4,5,6))
In [14]: B = np.ones((4,6))
In [15]: (A + B[:, np.newaxis, :]).shape # B[:, None, :]
Out[15]: (3, 4, 5, 6)
在上面的示例中,我们在B
(使用广播)的第一和第二轴之间插入了一个临时轴。此处使用缺失轴来填充,np.newaxis
以使广播操作正常进行。
一般提示:您也可以None
代替使用np.newaxis
;这些实际上是相同的对象。
In [13]: np.newaxis is None
Out[13]: True
PS也看到了一个很好的答案:newaxis vs reshape添加尺寸
except that it changes a row vector to a column vector?
第一个例子不是行向量。这是一个matlab的概念。在python中,它只是一维向量,没有行或列的概念。行或列向量是2维的,就像第二个例子一样