numpy中维度的正确理解姿势

作者：千千Sama
原文地址：https://blog.csdn.net/lllxxq141592654/article/details/83011056

---

前言

在使用numpy的时候，有时候会遇到这样的问题：

• 为什么数学里的向量在numpy中需要用两个[]括起来？如[[1 2 3]]
• 维度为(2,3,4)的矩阵是什么鬼？
• 什么？还有维度为(3,)的矩阵？
  如果你有这样的问题，说明对numpy中矩阵的准确表达不够理解，下面就来为你排忧解难！

理解numpy矩阵维度的正确姿势

我们在线性代数中最常见到的矩阵入手，就是类似这样的了：
$$⎡⎣⎢147258369⎤⎦⎥[123456789]\left[\begin{array}{ccc}1& amp;2& amp;3\\ 4& amp;5& amp;6\\ 7& amp;8& amp;9\end{array}\right]$$⎣⎡​147​⎦⎤​
是一个3×1的矩阵，所以在numpy中的表达应该是

[[1 2 3]]

 
 
1

它的shape也即(3,1)

因为需要用两个坐标信息索引某一元素，所以它的维数也为2

以上就是矩阵和向量在numpy中的正确表达。

---

我们已经把最常见的掌握好了，现在来探索一下更复杂的情况。
有人可能见过这样的shape：(3,)，也见过这样的numpy表达[1,2,3](注意只有一对括号)。这是怎么回事呢？
原来，如果我们没有给numpy指定列信息（也即第二维），那么它的shape就是(3,)，其实上面的[1,2,3]就是shape为(3,)的一个例子。
注意：形如[1,2,3]这样的东西看似是个数学中的向量，其实并不是！不要下意识的认为它就是个向量，numpy是不这么认的！
那它到底是什么呢？它只是几个数，用一个维度排列起来。

因为索引某个具体元素只需要一个坐标信息，所以[1,2,3]的维数是1.

最后看维度为(2,3,4)的矩阵。
通过上面的讲解，我们明白可以把维度类比为坐标轴，那么维度为(2,3,4)的矩阵就好理解了，一张图即可

因为索引某个具体元素需要行，列，高，3个坐标信息，所以矩阵的维数是3,。

举个具体例子

[[[ 1  2  3  4]
  [ 5  6  7  8]
  [ 9 10 11 12]]

[[13 14 15 16]
[17 18 19 20]
[21 22 23 24]]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

关于矩阵的axis

矩阵的axis的规定是这样的——维度中的第一个定义为axis=0，第二个axis=1，以此类推。
例如，维度为(1,3)的矩阵，它的axis有2个，第一个1代表的那个轴，第二个是3代表的那个轴
维度为(2,3,4)的矩阵，它的axis有3个，第一个2代表的那个轴，第二个是3代表的那个轴，第三个是4代表的那个轴。
我们用numpy.sum求和函数来做实验
官网手册的用法是

numpy.sum(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue>)

 
 
1

这里我们只看axis这个参数。
根据上面说的axis的含义，矩阵
$$⎡⎣⎢147258369⎤⎦⎥[123456789]\left[\begin{array}{ccc}1& amp;2& amp;3\\ 4& amp;5& amp;6\\ 7& amp;8& amp;9\end{array}\right]$$[12​15​18​]
需要指定axis=0

import numpy as np
a=np.arange(1,10).reshape(3,3)
print(a)
print(np.sum(a,axis=0))

 
 
1
2
3
4

[[1 2 3]
[4 5 6]
[7 8 9]]
[12 15 18]

 
 
1
2
3
4

再举个例子，矩阵

[[[ 1  2  3  4]
  [ 5  6  7  8]
  [ 9 10 11 12]]

[[13 14 15 16]
[17 18 19 20]
[21 22 23 24]]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

若指定axis=0进行求和，结果应该是什么样的呢？
提示，想一下这张图

它的axis=0的轴对应的是2代表的那个维度，也即图中的高，沿着这个轴对矩阵进行求和，其实就是把两个(3×4）的矩阵合并，那么答案就很明显了

import numpy as np
a=np.arange(1,25).reshape(2,3,4)
print(a)
print("--------------")
print(np.sum(a,axis=0))

 
 
1
2
3
4
5

[[[ 1  2  3  4]
  [ 5  6  7  8]
  [ 9 10 11 12]]

[[13 14 15 16]
[17 18 19 20]
[21 22 23 24]]]
--------------
[[14 16 18 20]
[22 24 26 28]
[30 32 34 36]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

同理，axis=1，axis=2的时候答案是什么呢？
axis=1

[[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

[[13 14 15 16]
[17 18 19 20]
[21 22 23 24]]]
--------------
[[15 18 21 24]
[51 54 57 60]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

axis=2

[[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

[[13 14 15 16]
[17 18 19 20]
[21 22 23 24]]]
--------------
[[10 26 42]
[58 74 90]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

写在最后

关于axis的内容，其实在写的时候留了个小陷阱——求和后维度貌似少了一维，比如3阶矩阵，按行按列求和后是个向量，应该也是两对[]呀，怎么变成一个了？这就涉及到numpy的另一个参数了——keepdims。如果你不会用这个参数，请参见numpy中keepdims的理解