008.np.expand_dims&高维度的vstack

np.expand_dims：字面意思，增加维度

先认识一下维度的概念：以下给出了一个array，其shape=(2, 3, 2, 3)，如何看array的维度呢？有几层中括号，维度就是几。从最外面的中括号开始看，第0维是看第一个中括号，其中包含两个部分，所以大小是2；第1维就是看第二层括号，其中包含了三小项，所以大小是3；依次类推。该矩阵来源

np.array(
  [
      [
          [
           [1,2,3],  
           [4,5,6]
          ],  
          [
           [7,8,9],  
           [10,11,12]
          ],  
          [
           [13,14,15],  
           [16,17,18]
          ]
      ],  
      [
          [
           [19,20,21],  
           [22,23,24]
          ],  
          [
           [25,26,27],  
           [28,29,30]
          ],  
          [
           [31,32,33],
           [34,35,36]
          ]
      ]
  ]).shape

接下来比较立体的解释一下：

import numpy as np
x = np.arange(1,7).reshape(2,3)
np.expand_dims(x,axis=0)
np.expand_dims(x,axis=1) # 表示增加第二个维度（第二层中括号），也就是第1维（因为从0开始表示）
np.expand_dims(x,axis=-1) # 表示最后增加一个维度，当然此处可以写2

# x初始状态是两个维度的，x.ndim=2
x:array([[1, 2, 3],
         [4, 5, 6]])
x.shape = (2, 3)
# 增加第一维
x_expand_axis0:array([[[1, 2, 3],
        	            [4, 5, 6]]])
x_expand_axis0.shape = (1, 2, 3)
# 增加第二维
x_expand_axis1：array([[[1, 2, 3]],
                       [[4, 5, 6]]])
x_expand_axis1.shape = (2, 1, 3)
# 增加第三维
x_expand_axis2：array([[[1],
                        [2],
                        [3]],
                       [[4],
                        [5],
                        [6]]])
x_expand_axis2.shape = (2， 3， 1)    

其实可以将你想要增加维度的数组直接用reshape也可以产生同样的效果。

x = np.arange(1,7).reshape(2,3)
x = np.expand_dims(x,axis=-1)

就等同于：

x = np.arange(1,7).reshape(2,3,1)

最后，学习知乎上的一种理解方式，在坐标轴上立体的表示数据：

比如shape = (2,3)的数据表示在一个二维坐标轴中，如图：

shape = (2, 3, 1)的数据相当于在z轴的高度是1，如图：(从左往右是x轴方向，从下往上是y轴方向，不会画图，自行体会，可以自己在本子上画一画加深理解)

3	6
2	5
1	4

vstack，今天一个高维度的堆叠把我整乱了，各种试，以下是成果：

在二维堆叠中，vstack是沿着垂直方向上堆叠，其实就是行数增加了。

a = np.arange(6).reshape(3,2)
np.vstack(a).shape # (3,2)
np.hstack(a).shape # (6,)

# 首先创建一个优雅的高维度list，按照上面的方法，你一定很容易的得出该list的shape了
a = [
    	[
            [
                [1,2,3],
                [4,5,6]
            ],
            [
                [1,2,3],
                [4,5,6]
            ]
        ],
    	[
            [
                [1,2,3],
                [4,5,6]
            ],
            [
                [1,2,3],
                [4,5,6]
            ]
        ],
    	[
            [
                [1,2,3],
                [4,5,6]
            ],
            [
                [1,2,3],
                [4,5,6]
            ]
        ]
    ]
# 把list转为numpy的array,并查一下shape=(3, 2, 2, 3)
a = np.asarray(a)
# a.shape
# 然后np.vstack(a)是哪一维度堆叠呢？查一下他的shape=(6,2,3)
b = np.vstack(a)
# np.vstack(a).shape
"""
array([[[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]]])
"""
"""
分析：可以这么理解，堆叠前的a相当于是3个大块矩阵，这每一个大块的shape是(2,2,3),大块又是2个竖着的(2,3)小块，沿着垂直方向堆积，其实就是一坨一坨竖着放在一起
(2,3)
(2,3)
(2,3)
(2,3)
(2,3)
(2,3)
形成这样的矩阵，就是(6,2,3)了
""" 
# 多试几次就明白了，第一个维度其实都是竖着排列的，将后面用不着的维度都视作小块
a = np.arange(90).reshape(3,2,5,3)
np.vstack(a).shape # (6, 5, 3)
np.hstack(a).shape # (2, 15, 3)
"""
hstack
(5,3)(5,3)(5,3)
(5,3)(5,3)(5,3)
"""

还有一个奇怪的现象：就是外面又套了一层中括号，导致维度增加，我没发现

sum = []
a = np.arange(12).reshape(2,3,2)
sum.append(a)
sum.append(a)
np.asarray(a).shape # (2,2,3,2)

简单图示：就是说除了最右边那一维度（这里是5），其他维度都是竖着排列的，哈哈哈哈！能理解就行，徒步豪华：