Numpy-07怎样给数组增加一个维度

Numpy怎样给数组增加一个维度

背景：

很多数据计算都是在二维或三维的，对于一维的数据输入为了形状匹配，经常需要升维变成二维

需要：

在不改变是数据的情况下，添加数组维度；（注意观察这个例子，维度变了，但数据没变）

原始数组：一维数组arr=[1, 2, 3, 4]，其shape是（4，），取值分别为arr[0], arr[1], arr[2], arr[3]

变形数组：二维数组arr=[[1, 2, 3, 4]]，其shape是（1， 4），取值分别为arr[0, 0], arr[0, 1], arr[0, 2], arr[0, 3]

实操：

经常需要在纸上手绘数组的形状，来查看不同数组是否形状匹配，是否需要升维降维

3种方法：

​ np.newaxis：关键字，使用索引的语法给数组添加维度

​ np.expand_dims(arr, axis)：方法，和np.newaxis实现一样的功能，给arr在axis位置添加维度

​ np.reshape(a, newshape)：方法，给一个维度设置为1完成升维

---

import numpy as np

import numpy as np

In [2]:

arr = np.arange(5)
arr

Out[2]:

array([0, 1, 2, 3, 4])

In [3]:

# 注意，当前是一维向量
arr.shape

Out[3]:

(5,)

方法1：np.newaxis关键字

注意：np.newaxis其实就是None的别名

In [4]:

np.newaxis is None

Out[4]:

True

In [5]:

np.newaxis == None

Out[5]:

True

即一下所有的np.newaxis的位置，都可以用None替代

给一维向量添加一个行维度

In [6]:

arr[np.newaxis, :]

Out[6]:

array([[0, 1, 2, 3, 4]])

In [7]:

arr[np.newaxis, :].shape

Out[7]:

(1, 5)

数据现在是一行五列，数据本身没有增减，只是多了一级括号

给一维向量添加一个列维度

In [10]:

arr[:,np.newaxis]

Out[10]:

array([[0],
       [1],
       [2],
       [3],
       [4]])

In [11]:

arr[:,np.newaxis].shape

Out[11]:

(5, 1)

现在是五行一列

方法2：np.expand_dims方法

np.expand_dims方法实现的效果，和np.newaxis关键字是一模一样的

In [12]:

arr

Out[12]:

array([0, 1, 2, 3, 4])

给一维数组添加一个行维度

相当于arr[np.newaxis, arr]

In [13]:

np.expand_dims(arr, axis=0)

Out[13]:

array([[0, 1, 2, 3, 4]])

In [14]:

np.expand_dims(arr, axis=0).shape

Out[14]:

(1, 5)

给一维数组添加一个列维度

相当于arr[arr, np.newaxis]

In [15]:

np.expand_dims(arr, axis=1)

Out[15]:

array([[0],
       [1],
       [2],
       [3],
       [4]])

In [16]:

np.expand_dims(arr, axis=1).shape

Out[16]:

(5, 1)

方法3：np.reshape方法

给一维数组添加一个行维度

In [17]:

arr

Out[17]:

array([0, 1, 2, 3, 4])

In [18]:

np.reshape(arr, (1, 5))

Out[18]:

array([[0, 1, 2, 3, 4]])

In [19]:

np.reshape(arr, (1, -1))

Out[19]:

array([[0, 1, 2, 3, 4]])

In [20]:

np.reshape(arr, (1, -1)).shape

Out[20]:

(1, 5)

给一维数组添加一个列维度

In [21]:

np.reshape(arr, (-1, 1))

Out[21]:

array([[0],
       [1],
       [2],
       [3],
       [4]])

In [22]:

np.reshape(arr, (-1, 1)).shape

Out[22]:

(5, 1)