关于np.newaxis的使用规律

最新推荐文章于 2023-12-12 14:25:25 发布
最新推荐文章于 2023-12-12 14:25:25 发布
阅读量1.3k 收藏 1
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mst9009/article/details/79818749
版权

之前一直困惑np.newaxis的用法，每次遇到都一脸懵逼，网上特有不少博客对它的解释，不过大多都是举一些例子，乍一看还是不知所云，摸不着规律

博客https://blog.csdn.net/lanchunhui/article/details/49725065 中提到，np.newaxis与None等价，作用就是为numpy数组增加一个轴来改变数组维度

import numpy as np
type(np.newaxis)
NoneType
np.newaxis==None
True

接下来说一下np.newaxis是如何改变数组维度的：

首先，我们知道可以通过array的shape属性得到维度信息

a=np.array([[1,2,3],[4,5,6]])
print(a.shape)

(2, 3)

通过a[np.newaxis,:]或者a[:,np.newaxis]可以改变a的维度

a[np.newaxis,:]
array([[[1, 2, 3],
        [4, 5, 6]]])
a[:,np.newaxis]
array([[[1, 2, 3]],

       [[4, 5, 6]]])

根据np.newaxis出现的位置，在a.shape的对应位置insert一个1，得到的就是改变后的shape，例如

a[np.newaxis,:].shape
(1, 2, 3)
a[:,np.newaxis].shape
(2, 1, 3)
a[:,:,np.newaxis].shape
(2, 3, 1)

当然，也可以增加更多的axis，利用这个规律可以方便算出新的shape

a[np.newaxis,:,np.newaxis,:,np.newaxis].shape
(1, 2, 1, 3, 1)

而得到的新的数组就相当于原来的数组做了一次reshape

a[np.newaxis,:,np.newaxis,:,np.newaxis]
array([[[[[1],
          [2],
          [3]]],


        [[[4],
          [5],
          [6]]]]])
a.reshape((1, 2, 1, 3, 1))
array([[[[[1],
          [2],
          [3]]],


        [[[4],
          [5],
          [6]]]]])
 
    
 
   
 
  
 
 
 


                

        

        

    

  


    

      

        

            

              
                
                  mst9009
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
np.newaxis的功能-2020最简单讲解

				
			

			

				

					aiAI
				

				

					09-21
					
					888
					
				

			

		

		

			
				
np.newaxis的功能:插入新维度

目前经常用在机器学习numpy中的矩阵运算

这样改变维度的作用往往是将一维的数据转变成一个矩阵，与代码后面的权重矩阵进行相乘， 否则单单的数据是不能呢这样相乘的哦。

举个简单的例子介绍一下吧。

栗子1：


 a=np.array([1,2,3,4,5])
 print(a.shape)
 print (a)


输出：
(5,)
[1 2 3 4 5]



栗子2：


a=np.array([1,2,3,4,5])
aa=a[:,np.newaxis].

			
		

	



                

              
                



	

		

			

				
					
Python语言OpenCV开发之使用OpenCV处理图像(下)

				
			

			

				

					基斯卡人lmy
				

				

					07-08
					
					2155
					
				

			

		

		

			
				
前言

本章内容继续上一节，因为内容比较多，所以分成了两节来讲述，都是和图像处理相关的，本节主要学习图像直方图，图像变换，模板匹配，分水岭算法等知识。



正文

1、 图像直方图 
通过图像直方图可以对整幅图像的灰度值有一个整体的了解，直方图的x轴是灰度值(0到255),y轴是图片中具有相同灰度值的点的数目。直方图就是对图像的另一种解释。通过直方图可以对图像的对比度，亮度，灰度分布等有一个直观...

			
		

	



                


  
              

                


	

		

			

				
					
np.newaxis的用法

				
			

			

				

					little_fat_sheep
				

				

					05-25
					
					2578
					
				

			

		

		

			
				
1 前言

np.newaxis的意思是给数组新增一个维度。“python中矩阵切片维数微秒变化”中介绍了矩阵切片有时候会降低矩阵维度，为保证维度不变，可以用np.newaxis新增一个维度。

2 numpy数组

2.1 一维数组


import numpy as np
 
a=np.array([1,2,3])

b=a[np.newaxis,:]
c=a[:,np.newaxis]

p...

			
		

	





	

		

			

				
					
newaxis的用法以及a[0][:, :, np.newaxis]的含义

				
			

			

				

					cailin的博客
				

				

					04-08
					
					5220
					
				

			

		

		

			
				
import numpy as np
a=np.array([[[[1],[1],[1]],[[2],[2],[2]],[[3],[3],[3]]],[[[4],[4],[4]],[[5],[5],[5]],[[6],[6],[6]]]])
a.shape

(2, 3, 3, 1)

b=a[0][:, :, np.newaxis]#np.newaxis是新建一个维度
print(b)
b.sh...

			
		

	



		

			
		



	

		

			

				
					
numpy给数据新增一个维度np.newaxis及其使用场景

				
			

			

				

					data+scenario+science+insight
				

				

					07-30
					
					476
					
				

			

		

		

			
				
numpy给数据新增一个维度np.newaxis及其使用场景












a = [10,20,30,40,50]
a = np.array(a)

print(a.shape)
a = a[:, np.newaxis] 
print(a.shape)


*******************************************************************

(5,)
(5, 1)



np.newaxis使用场景

场景1:

np.newaxis可能会..

			
		

	





	

		

			

				
					
numpy中newaxis的用法

				
			

			

				

					fourierr的博客
				

				

					06-07
					
					3902
					
				

			

		

		

			
				
newaxis顾名思义就是插入新维度的意思，比如原来是一维数剧变成二维数剧，原来是二维变成三维，python将二维数组变为三维数组的举例如下：x_data = np.linspace(-1,1,6)
a=x_data.reshape((2,3))
c = a[:,np.newaxis,:]
b = a[np.newaxis,:,:]
d = a[:,:,np.newaxis]

print(a.s...

			
		

	





	

		

			

				
					
import numpy as np import matplotlib.pyplot as plt  # 设置模拟参数 num_boids = 50  # 粒子数 max_speed = 0.03  # 最大速度 max_force = 0.05  # 最大受力 neighborhood_radius = 0.2  # 邻域半径 separation_distance = 0.05  # 分离距离 alignment_distance = 0.1  # 对齐距离 cohesion_distance = 0.2  # 凝聚距离  # 初始化粒子位置和速度 positions = np.random.rand(num_boids, 2) velocities = np.random.rand(num_boids, 2) * max_speed  # 模拟循环 for i in range(1000):     # 计算邻域距离     distances = np.sqrt(np.sum(np.square(positions[:, np.newaxis, :] - positions), axis=-1))     neighbors = np.logical_and(distances > 0, distances < neighborhood_radius)      # 计算三个力     separation = np.zeros_like(positions)     alignment = np.zeros_like(positions)     cohesion = np.zeros_like(positions)      for j in range(num_boids):         # 计算分离力         separation_vector = positions[j] - positions[neighbors[j]]         separation_distance_mask = np.linalg.norm(separation_vector, axis=-1) < separation_distance         separation_vector = separation_vector[separation_distance_mask]         separation[j] = np.sum(separation_vector, axis=0)          # 计算对齐力         alignment_vectors = velocities[neighbors[j]]         alignment_distance_mask = np.linalg.norm(separation_vector, axis=-1) < alignment_distance         alignment_vectors = alignment_vectors[alignment_distance_mask]         alignment[j] = np.sum(alignment_vectors, axis=0)          # 计算凝聚力         cohesion_vectors = positions[neighbors[j]]         cohesion_distance_mask = np.linalg.norm(separation_vector, axis=-1) < cohesion_distance         cohesion_vectors = cohesion_vectors[cohesion_distance_mask]         cohesion[j] = np.sum(cohesion_vectors, axis=0)      # 计算总受力     total_force = separation + alignment + cohesion     total_force = np.clip(total_force, -max_force, max_force)      # 更新速度和位置     velocities += total_force     velocities = np.clip(velocities, -max_speed, max_speed)     positions += velocities      # 绘制粒子     plt.clf()     plt.scatter(positions[:, 0], positions[:, 1], s=5)     plt.xlim(0, 1)     plt.ylim(0, 1)     plt.pause(0.01)

				
			

			

				

					06-06
				

			

		

		

			
				
这段代码是一个基于群体智能的仿真模型，用于模拟粒子的运动行为。该模型使用numpy和matplotlib库来实现。主要步骤包括： ...该模型可以用于研究粒子运动的行为和规律，也可以用于模拟群体智能算法的效果。

			
		

	





	

		

			

				
					
Numpy学习笔记

				
			

			

				

					
				

				

					11-25
					
					1438
					
				

			

		

		

			
				
目录

一、 利用Numpy新建一个二维矩阵

二、数值运算：

三、排序操作

1、定义个矩阵

2、np.sort()函数

3、axis参数

4、np.argsort()函数

5、np.linspace（）函数

6、np.lexsort()函数

四、数组操作

1 np.arange()

2 array.shape()函数

3 增加维度以及压缩无用维度信息

4 转置操作transpose(),.T()函数表达的效果是一样的

五、数组的连接

1 np.concatenate()函数..

			
		

	





	

		

			

				
					
学numpy 这一篇就够用了

				
			

			

				

					Agwave的博客
				

				

					08-12
					
					608
					
				

			

		

		

			
				
学 NumPy 前，先简单回答两个问题。

1.什么是 NumPy？

NumPy 是科学计算包。

2.NumPy 可以用来干什么？

NumPy 可以有效地存储和操作数值数组。并且相比于普通的 Python 列表，代码更少，运行速度更快。



概述



本文将分为两个部分：

第一部分是对 NumPy 数组的简单介绍，能让我们在学习之前有 numpy 数组的一个大致的轮廓。

第二部分是对...

			
		

	





	

		

			

				
					
Numpy对数组的操作：创建／变形(升降维等)／计算／取值／复制／分割／合并

				
			

			

				

					weixin_42969619的博客
				

				

					08-25
					
					4689
					
				

			

		

		

			
				
1. 简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab。
SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含...

			
		

	





	

		

			

				
					
b=a[np.newaxis,:]的功能解释

				
			

			

				

					weixin_43213268的博客
				

				

					03-25
					
					5260
					
				

			

		

		

			
				
下面以例子来说明
import numpy as np
a=np.array([1,2,3,4,5])
b=a[np.newaxis,:]
print (a.shape,b.shape)
print (a)
print (b)
c=a[:np.newaxis]
print(c.shape)
print©
结果如下：
(5,) (1, 5)
[1 2 3 4 5]
[[1 2 3 4 5]]
(5,...

			
		

	





	

		

			

				
					
np.newaxis 为 numpy.ndarray（多维数组）增加一个轴

					
热门推荐

				
			

			

				

					
				

				

					11-08
					
					8万+
					
				

			

		

		

			
				
索引多维数组的某一列时返回的是一个行向量&gt;&gt;&gt; X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
&gt;&gt;&gt; X[:, 1]
array([2, 6, 10])       // 这里是一个行
&gt;&gt;&gt; X[:, 1].shape       // X[:, 1] 的用法完全等同于一个行，而不是一个列，
(3, )所以，

			
		

	





	

		

			

				
					
python np.newaxis

				
			

			

				

					mameng1的博客
				

				

					01-18
					
					3万+
					
				

			

		

		

			
				
np.newaxis的功能是插入新维度，看下面的例子：

a=np.array([1,2,3,4,5])
print a.shape
print a
输出结果

(5,)
[1 2 3 4 5]
可以看出a是一个一维数组,

x_data=np.linspace(-1,1,300)[:,np.newaxis]
a=np.array([1,2,3,4,5])
b=a[np.

			
		

	





	

		

			

				
					
关于np.newaxis的一点理解

				
			

			

				

					moluchase的专栏
				

				

					11-23
					
					3万+
					
				

			

		

		

			
				
经常在sklearn上看到np.newaxis，这里记录一下我的理解
np.arange(0, 10)
这句话 生成的是一个一维的数组，如下：
[0 1 2 3 4 5 6 7 8 9]
输出其shape：(10,)
那么我如何才能将其转化为shape=(1,10)呢
可以用两种方法：
1.使用shape
y=np.arange(1, 11)
y.shape=(10,1)
prin

			
		

	





	

		

			

				
					
numpy.newaxis()函数、None

				
			

			

				

					weixin_40522801的博客
				

				

					05-31
					
					726
					
				

			

		

		

			
				
1np.newaxis

np.newaxis的作用是：在当前位置，插入一个新维度。np.newaxis 在使用和功能上等价于 None，其实就是 None 的一个别名。

1.1 一维数组


import numpy as np

a = np.arange(5) # a.shape=(5,)
b = a[np.newaxis, :] # b.shape=(1,5)
c = a[:,np.newaxis] # c.shape=(5,1)
d = a[:,np.newaxis,np.newaxis] #.

			
		

	





	

		

			

				
					
np.newaxis()函数用法详解

					
最新发布

				
			

			

				

					顺其自然~专栏
				

				

					12-12
					
					332
					
				

			

		

		

			
				
np.newaxis 的功能是：增加新的维度。注意 np.newaxis 放的位置不同，产生的矩阵形状也不同。x[:, np.newaxis] ：放在后面，会给列上增加维度；x[np.newaxis, :] ：放在前面，会给行上增加维度；用途： 通常用它将一维的数据转换成一个矩阵，这样就可以与其他矩阵进行相乘。

			
		

	





	

		

			

				
					
关于python 中np.newaxis的用法

				
			

			

				

					goongoup的博客
				

				

					12-15
					
					1876
					
				

			

		

		

			
				
特别说明：
data = np.arange(100)
data_new = data[:,np.newaxis] # 这列中括号中的冒号是选取 data
这个数据中的数据，如果是直接【：，np.newaxis 】 就是选取全部数据做变换，如果是切片形式【：40， np.newaxis】这个是选取前40 行变形
参考链接：
https://blog.csdn.net/qq_31347869/article/details/89194410?utm_medium=distribute.pc_relevant_

			
		

	





	

		

			

				
					
【Python】np.newaxis()函数用法详解

				
			

			

				

					Danger的博客
				

				

					02-13
					
					5314
					
				

			

		

		

			
				
【Python】np.newaxis()函数用法详解

			
		

	





	

		

			

				
					
np.newaxis

				
			

			

				

					qq_44927883的博客
				

				

					12-31
					
					181
					
				

			

		

		

			
				
嗯，按照字面意思
newaxis(new axis) —>  new了一个axis(维度)
即
ar = np.arange(10)[:,np.newaxis]
#在axis=1方向上新增一个axis
输出：
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [...

			
		

	





	

		

			

				
					
np.newaxis使用

				
			

			

				

					04-01
				

			

		

		

			
				
在NumPy中，np.newaxis是一个特殊的索引对象，用于创建新的维度或轴。当我们需要在数组中添加一个新的维度时，就可以使用np.newaxis。它通常在数组的切片操作中使用。

例如，如果我们有一个一维数组arr，我们可以使用np.newaxis将其转换为二维数组：

```python
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr.shape)  # (5,)

arr_2d = arr[np.newaxis, :]
print(arr_2d.shape)  # (1, 5)
```

在这个例子中，我们使用np.newaxis将一维数组arr转换为了一个二维数组arr_2d，其中一个维度是1，另一个维度是原来的长度（5）。这个新的维度被添加到了0轴的位置，因为我们使用了":"来对0轴进行切片。

我们也可以使用np.newaxis在多维数组中添加新的维度：

```python
arr = np.array([[1, 2], [3, 4]])
print(arr.shape)  # (2, 2)

arr_3d = arr[:, :, np.newaxis]
print(arr_3d.shape)  # (2, 2, 1)
```

在这个例子中，我们使用np.newaxis在第三个维度（2轴）的位置添加了一个新的维度，使得原来的二维数组arr变成了一个三维数组arr_3d。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值