时下流行人工智能,python成为人工智能最好的处理语言,这与python中的科学计算模块numpy是分不开的。numpy相信大都数人都知道。而在numpy中,有很多的函数都涉及到axis,numpy中的轴axis是很重要的,许多numpy的操作根据axis的取值不同,作出的操作也不相同。可以说,axis让numpy的多维数组变的更加灵活,但也让numpy变得越发难以理解。因此,弄清楚axis的作用显得尤为重要。
-
为什么要设计axis这个东西呢?
numpy是个多维数组,多维数组运算需要指定到底对哪一维操作,因此axis就是用来指定需要操作的维数。
- 简单示例
先来看看一个二维数组
>>> import numpy as np >>> np_data = np.array([[1,2,3],[4,5,6],[1,3,5],[2,4,6]]) >>> np_data array([[1, 2, 3], [4, 5, 6], [1, 3, 5], [2, 4, 6]])
假设 这个数组代表了样本数据的特征,其中每一行代表一个样本的三个特征,每一列是不同样本的特征。如果在分析样本的过程中需要对每个样本的三个特征求和,该如何处理?
>>> np.sum(np_data,axis=1) array([ 6, 15, 9, 12])
那如果想求每种特征的最小值,该如何处理?
>>> np.min(np_data, axis=0) array([1, 2, 3])
又如果想得知所有样本所有特征的平均值呢?
>>> np.average(np_data) 3.5
- 重点
由此可以看出:(划重点)通过不同的axis,numpy会沿着不同的方向进行操作:如果不设置,那么对所有的元素操作;如果axis=0,则沿着纵轴进行操作;axis=1,则沿着横轴进行操作。但这只是简单的二位数组,如果是多维的呢?可以总结为一句话:设axis=i,则numpy沿着第i个下标变化的方向进行操作。例如刚刚的例子,可以将表示为:
data =[[a00, a01], [a10, a11]]
所以axis=0时,沿着第0个下标变化的方向进行操作,也就是a00->a10, a01->a11,也就是纵坐标的方向,axis=1时也类似。
- 多维数组验证
下面我们举一个四维的求sum的例子来验证一下:
>>> np_data = np.random.randint(0, 6, [4,2,3,4]) >>> np_data array([[[[3, 5, 5, 0], [0, 1, 2, 4], [0, 5, 0, 5]], # D0000 -> D0023 [[5, 5, 0, 0], [2, 1, 5, 0], [1, 0, 0, 1]]], # D0100 -> D0123 [[[0, 5, 1, 2], [4, 4, 2, 2], [3, 5, 0, 1]], # D1000 -> D1023 [[5, 1, 2, 1], [2, 2, 3, 5], [5, 3, 3, 3]]], # D1100 -> D1123 [[[2, 4, 1, 4], [1, 4, 1, 4], [4, 5, 0, 2]], # D2000 -> D2023 [[2, 5, 5, 1], [5, 3, 0, 2], [4, 0, 1, 3]]], # D2100 -> D2123 [[[1, 3, 4, 5], [0, 2, 5, 4], [2, 3, 5, 3]], # D3000 -> D3023 [[2, 2, 2, 2], [3, 2, 1, 3], [0, 3, 0, 1]]]]) # D3100 -> D3123
- 当axis=0时,numpy验证第0维的方向来求和,也就是第一个元素值=D0000+D1000+D2000+D3000=3+0+2+1=6,第二个元素=D0001+D1001+D2001+D3001=5+5+4+3=17,同理可得最后的结果如下:
>>> np_data.sum(axis=0) array([[[ 6, 17, 11, 11], [ 5, 11, 10, 14], [ 9, 18, 5, 11]], [[14, 13, 9, 4], [12, 8, 9, 10], [10, 6, 4, 8]]])
- 当axis=3时,numpy验证第3维的方向来求和,也就是第一个元素值=D0000+D0001+D0002+D0003=3+5+5+0=13,第二个元素=D0010+D0011+D0012+D0013=0+1+2+4=7,同理可得最后的结果如下:
>>> data.sum(axis=3) array([[[13, 7, 10], [10, 8, 2]], [[ 8, 12, 9], [ 9, 12, 14]], [[11, 10, 11], [13, 10, 8]], [[13, 11, 13], [ 8, 9, 4]]])
在numpy中,使用的axis的地方非常多,处理上文已经提到的average、max、min、sum,比较常见的还有sort和prod,下面分别举几个例子看一下:
- sort
>>> np_data = np.random.randint(0, 4, [2,2,3]) >>> np_data array([[[2, 0, 2], [1, 1, 1]], [[3, 2, 1], [2, 2, 0]]]) >>> np.sort(np_data) ## 默认对最大的axis进行排序,这里即是axis=2 array([[[0, 2, 2], [1, 1, 1]], [[1, 2, 3], [0, 2, 2]]]) >>> np.sort(np_data, axis=0) #沿着第0维进行排序,原先的D000->D100 array([[[2, 0, 1], [1, 1, 0]], [[3, 2, 2], [2, 2, 1]]]) >>> np.sort(np_data, axis=1) # 沿着第1维进行排序 array([[[1, 0, 1], [2, 1, 2]], [[2, 2, 0], [3, 2, 1]]]) >>> np.sort(np_data, axis=2) # 沿着第2维进行排序(和默认对最大的axis进行排序一样结果) array([[[0, 2, 2], [1, 1, 1]], [[1, 2, 3], [0, 2, 2]]]) >>> np.sort(np_data, axis=None) # 对全部数据进行排序 array([0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3])
- prod(即product,乘积)
>>> np.prod([[1.,2.],[3.,4.]]) 24.0 >>> np.prod([[1.,2.],[3.,4.]], axis=1) array([ 2., 12.]) >>> np.prod([[1.,2.],[3.,4.]], axis=0) array([ 3., 8.])
简要概括axis的用法是:假设axis = i,则numpy沿着第 i 个下标变化的方向进行操作
相信通过上面的讲解与例子,你应该对axis有了比较清楚的了解。只有真正理解axis的原理,才能对numpy操作游刃有余。