305

当我尝试

numpy.newaxis

结果给了我一个 x 轴从 0 到 1 的二维图框。但是，当我尝试使用numpy.newaxis切片向量时，

vector[0:4,]
[ 0.04965172  0.04979645  0.04994022  0.05008303]
vector[:, np.newaxis][0:4,]
[[ 0.04965172]
[ 0.04979645]
[ 0.04994022]
[ 0.05008303]]

除了将行向量更改为列向量之外，是否相同？

一般情况下，有什么用numpy.newaxis，应该在什么情况下使用呢？

4

4 回答 4

566

简单来说，numpy.newaxis就是用来将现有数组的维度再增加一维，使用一次的时候。因此，

  • 一维数组将变为二维数组

  • 2D数组将变为3D数组

  • 3D阵列将变为4D阵列

  • 4维数组将变成5维数组

等等..

这是一个视觉插图，描述了将 1D 阵列提升为 2D 阵列。

新轴画布可视化

场景 1：当您想将一维数组显式转换为行向量或列向量np.newaxis时，可能会派上用场，如上图所示。

例子：

# 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：当我们想使用numpy 广播作为某些操作的一部分时，例如在添加一些数组时。

例子：

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这些，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，您可以使用np.newaxis增加其中一个数组的维度，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]])

或者，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：观察我们在两种情况下得到相同的结果（但一种是另一种的转置）。

场景 3：这类似于场景 1。但是，您可以np.newaxis多次使用将数组提升到更高维度。高阶数组（即张量）有时需要这样的操作。

例子：

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)

作为替代方案，您可以使用numpy.expand_dims具有直观axiskwarg 的。

# adding new axes at 1st, 4th, and last dimension of the resulting array
In [131]: newaxes = (0, 3, -1)
In [132]: arr_5D = np.expand_dims(arr, axis=newaxes)
In [133]: arr_5D.shape
Out[133]: (1, 5, 5, 1, 1)

有关np.newaxis与np.reshape的更多背景信息

newaxis也称为伪索引，允许将轴临时添加到多数组中。

np.newaxis使用切片运算符重新创建数组，同时numpy.reshape将数组重塑为所需的布局（假设尺寸匹配；这是必须发生的reshape）。

例子

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)

B在上面的例子中，我们在（使用广播）的第一和第二轴之间插入了一个临时轴。此处填写了一个缺失的轴，np.newaxis用于使广播操作正常工作。

一般提示：您也可以使用None代替np.newaxis；这些实际上是相同的对象。

In [13]: np.newaxis is None
Out[13]: True

PS还看到这个很好的答案：newaxis vs reshape to add dimensions

于 2016-12-21T16:03:58.580 回答
47

是什么np.newaxis？

这np.newaxis只是 Python 常量的别名None，这意味着无论您在哪里使用np.newaxis，都可以使用None：

>>> np.newaxis is None
True

如果您阅读使用np.newaxis而不是None.

如何使用np.newaxis？

通常np.newaxis与切片一起使用。它表示您要向数组添加一个额外的维度。的位置np.newaxis代表我要添加尺寸的位置。

>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.shape
(10,)

在第一个示例中，我使用第一个维度中的所有元素并添加第二个维度：

>>> a[:, np.newaxis]
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])
>>> a[:, np.newaxis].shape
(10, 1)

第二个示例添加一个维度作为第一个维度，然后使用原始数组的第一个维度中的所有元素作为结果数组的第二个维度中的元素：

>>> a[np.newaxis, :]  # The output has 2 [] pairs!
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
>>> a[np.newaxis, :].shape
(1, 10)

同样，您可以使用 multiplenp.newaxis添加多个维度：

>>> a[np.newaxis, :, np.newaxis]  # note the 3 [] pairs in the output
array([[[0],
        [1],
        [2],
        [3],
        [4],
        [5],
        [6],
        [7],
        [8],
        [9]]])
>>> a[np.newaxis, :, np.newaxis].shape
(1, 10, 1)

有替代品np.newaxis吗？

NumPy: 中还有另一个非常相似的功能np.expand_dims，它也可以用来插入一个维度：

>>> np.expand_dims(a, 1)  # like a[:, np.newaxis]
>>> np.expand_dims(a, 0)  # like a[np.newaxis, :]

但鉴于它只是1在中插入 sshape你也可以reshape在数组中添加这些维度：

>>> a.reshape(a.shape + (1,))  # like a[:, np.newaxis]
>>> a.reshape((1,) + a.shape)  # like a[np.newaxis, :]

大多数时候np.newaxis是添加维度的最简单方法，但最好了解替代方法。

何时使用np.newaxis？

在几种情况下，添加维度很有用：

  • 如果数据应具有指定数量的维度。例如，如果您想使用matplotlib.pyplot.imshow显示一维数组。

  • 如果你想让 NumPy 广播数组。例如，通过添加维度，您可以获得一个数组的所有元素之间的差异：a - a[:, np.newaxis]. 这是因为 NumPy 操作从最后一个维度1开始广播。

  • 添加必要的维度以便 NumPy可以广播数组。这是有效的，因为每个长度为 1 的维度都被简单地广播到另一个数组的相应1维度的长度。

1如果您想阅读有关广播规则的更多信息，关于该主题的 NumPy 文档非常好。它还包括一个示例np.newaxis：

>>> a = np.array([0.0, 10.0, 20.0, 30.0])
>>> b = np.array([1.0, 2.0, 3.0])
>>> a[:, np.newaxis] + b
array([[  1.,   2.,   3.],
       [ 11.,  12.,  13.],
       [ 21.,  22.,  23.],
       [ 31.,  32.,  33.]])
于 2018-01-13T17:48:32.673 回答
12

您从一维数字列表开始。使用numpy.newaxis后，您将其变成了一个二维矩阵，由四行一列组成。

然后，您可以使用该矩阵进行矩阵乘法，或将其用于构建更大的 4 xn 矩阵。

于 2015-03-24T19:30:01.683 回答
6

newaxis选择元组中的对象用于将结果选择的维度扩展一个单位长度的维度。

它不仅仅是将行矩阵转换为列矩阵。

考虑下面的例子：

In [1]:x1 = np.arange(1,10).reshape(3,3)
       print(x1)
Out[1]: array([[1, 2, 3],
               [4, 5, 6],
               [7, 8, 9]])

现在让我们为我们的数据添加新维度，

In [2]:x1_new = x1[:,np.newaxis]
       print(x1_new)
Out[2]:array([[[1, 2, 3]],

              [[4, 5, 6]],

              [[7, 8, 9]]])

您可以看到newaxis这里添加了额外的维度，x1 有维度 (3,3)，X1_new 有维度 (3,1,3)。

我们的新维度如何使我们能够进行不同的操作：

In [3]:x2 = np.arange(11,20).reshape(3,3)
       print(x2)
Out[3]:array([[11, 12, 13],
              [14, 15, 16],
              [17, 18, 19]])

添加 x1_new 和 x2，我们得到：

In [4]:x1_new+x2
Out[4]:array([[[12, 14, 16],
               [15, 17, 19],
               [18, 20, 22]],

              [[15, 17, 19],
               [18, 20, 22],
               [21, 23, 25]],

              [[18, 20, 22],
               [21, 23, 25],
               [24, 26, 28]]])

因此，newaxis不仅仅是行到列矩阵的转换。它增加了矩阵的维度，从而使我们能够对其进行更多的操作。

于 2017-10-05T18:26:22.867 回答