Python数据分析基础：numpy.expand_dims()，np.expand_dims()

  边写代码边讲解。

import numpy as np
#----------
arr = np.zeros((3, 2), dtype = int)
print(arr)
'''
[[0 0]
 [0 0]
 [0 0]]
'''
#----------
# 一维数组类似列表，[1, 2]
# 二维数组类似列表套列表，[[1, 2], [3, 4]]，当然也允许只套1个列表，[[1, 2]]
# 三维数组类似列表套列表套列表，一级子元素是个二维数组，当然也允许只套1个二维数组
# arr = np.zeros((4, 5, 3, 2))
# 上述，①是个四维数组（4，5，3，2这一共是4个数）；②从最后看，(3, 2)这是二维数组的结构，
# 3行2列。三维（想像是更大范围的小组，或者包装袋）含5个平行二维（这5个二维不一定相同）。
# 5个3行2列的二维数组组成三维数组。
# 四维（更大的包装袋）含4个平行三维（这4个三维不一定相同）。
# 4个三维数组组成四维数组，这个三维数组由5个二维数组组成，二维数组的结构是3行2列。
'''
[
    [[1, 2][3, 4]]
    [[5, 6][7, 8]]
]
'''
#----------
arr = np.zeros((3, 2), dtype = int)
print(arr.shape)  # (3, 2)，3行2列
arr_a = np.expand_dims(arr, axis = 0)  # 变成(1, 3, 2)，注意元素数没变！
#axis=0，切行，一行一行往下数，方向是向下的，在这个方向上加1维，相当于加行（加深度），如果有新元素可加，就类似于（2，3，2）
#这种结构，然而没有加新元素，那么就是（1，3，2）。
print('arr_a', arr_a)
'''
[[[0 0]
  [0 0]
  [0 0]]]
'''
print(arr_a.shape)  # (1, 3, 2)
#----------
arr_b = np.expand_dims(arr, axis = 1)  # 变成(3, 1, 2)，注意元素数没变！
# axis=1，切列，一列一列往后数，方向向右，在这个方向上加维，如果不好想，就想想肯定不是在axis=0方向上加维
# 那么原来的3行2列肯定要变化了，老元素共6个，不可能增加新元素，变化后还得是6个元素
# 这么想还是挺麻烦，不如直接按（3，2），原来的axis=0是3，在axis=0方向插入1维，就是在3前边加个1变成（1，3，2）
# 原来的axis=1是2，在axis=1方向上插入1维就是在2前边插入1，变成（3，1，2）
print('arr_b', arr_b)
'''
[[[0 0]]

 [[0 0]]

 [[0 0]]]
'''
print(arr_b.shape)  # (3, 1, 2)，是个三维数组，包含的二维数组是1行2列，这样的二维数组有3个
arr_c = np.expand_dims(arr, axis = 2)  # axis = 2或1，结果是不同的
# 原来是(3, 2)。3和2分别对应axis0和axis1，现在axis=2，相当于在最后加个1，变成(3, 2, 1)
# 三维含3个平行二维（这3个二维不一定相同），二维结构为两行一列
print('arr_c', arr_c)
'''
[[[0]
  [0]]

 [[0]
  [0]]

 [[0]
  [0]]]
'''
print(arr_c.shape)  # (3, 2, 1)
'''
#在前边、后边、中间加都可以，再多就不行报错了
arr_d = np.expand_dims(arr, axis = 3)  # numpy.AxisError: axis 3 is out of bounds for array of dimension 3
print(arr_d)
'''