NumPy中高维数组可视化理解

基础知识

NumPy中的ndarray对象是多维度的同数据类型的数组。

• 秩（rank）（ndarray.ndim）
  轴的数量，或者维度的数量，是一个标量。
• 数组维度（ndarray.shape）
  是一个元组，描述了每个维度中数组的大小。相对于一个矩阵来说，shape表示的就是n行m列。元组的长度，等价于轴/维度的个数，即秩的值。

设置axis时的计算原理

• 创建数组
  

• 输出的结果为3通道，4行，2列
  

• 对应关系
  numpy创建数组时，每增加一个[]表示增加一个维度，一个[]可以看成一个完整的块，每层[]下有几个块，shape对应的值就是几。
  

• axis=0时的计算原理
  
  
  

• axis=1时的计算原理
  
  

• axis=2时的计算原理
  
  

高维transpose()可视化

• 一维数组的转置仍是自己，不区分行向量与列向量：numpy.T。
• 二维数组的转置与线性代数的矩阵转置理解方法相同：numpy.T。
• 高维数组的转置，需要用到numpy的方法：transpose()。高维数组的转置较难理解，不能拿线性代数的转置来想象，这里的转置就是底层数字位置的变化，变换的规则遵循transpose()方法的规则。

索引转换角度理解

坐标轴变化角度理解

• 创建多维数组
  

• 高位矩阵在NumPy中的表达
  3为数组b的shape为(2,2,4)，表示有2个2x4的矩阵：
  

• 高维坐标系下的位置
  

• 坐标轴变换后的位置
  

• 坐标轴改变前后的视觉变化
  

• 将变换后的位置摆放原封不动的挪到原坐标习下，即得到坐标轴变换厚的新数组。
  

• 在原坐标系下，新摆放的数组shape仍为（2,2,4），即包含2个2x4的矩阵。这两个矩阵在0轴上依次排序，分别为图中的绿色cube和蓝色cube。
  

• 3个轴都发生变化的情况
  
  
  
  

一维/二维数据处理的可视化

• 创建数组
  
  

• 数组算术
  
  
  
  

• 索引
  

• 聚合
  

• 创建矩阵
  
  

• 矩阵算术
  
  

• 点积
  
  

• 矩阵索引
  

• 矩阵聚合
  
  

• 转置和重塑
  
  

• 更多维度
  
  

【参考资料】
NumPy中的维度(dimension)、轴(axis)、秩(rank)的含义
NumPy数据处理的可视化
Numpy中transpose()函数的可视化理解
Python中Numpy.transpose()
python之numpy矩阵维度axis参数理解