《利用PYTHON进行数据分析》——4.1 NUMPY的NDARRAY一种多维数组对象——数组转置和轴对换——读书笔记

链接: 原文链接.
链接: Python · numpy · axis.

4.1 NUMPY的NDARRAY一种多维数组对象-----数组转置和轴对换

转置是重塑的一种特殊形式，他返回的是一个源数据的视图（不会进行任何复制的操作）
数组不仅有transpose方法，还有一个特殊的T属性：

In [126]: arr = np.arange(15).reshape((3, 5))
 
In [127]: arr
Out[127]:
array([[ 0, 1, 2, 3, 4],
       [ 5, 6, 7, 8, 9],
       [10, 11, 12, 13, 14]])
 
In [128]: arr.T
Out[128]:
array([[ 0, 5, 10],
       [ 1, 6, 11],
       [ 2, 7, 12],
       [ 3, 8, 13],
       [ 4, 9, 14]])

对于高维数组，transpose方法，需要得到一个由轴编号组成的元组才能对这些轴进行转置
transpose 方法是数组用来转置的一种方法，尤其对于高维数组，transpose需要得到一个由轴编号组成的元组才能对这些轴进行转置。那么是怎么根据这个轴来完成转置的呢？
举个例子：
举例说明：先创建一个224的三维数组：

In [59]: arrrr=np.arange(16).reshape((2,2,4))
 
In [60]: arrrr
Out[60]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],
 
       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

我假设这个三维数组在空间中按上图的方式排列，数组里每个数字存放在一个小立方体中

更具体一点，我们的俯视图如下：

用表格展示一下这个数据

接着装化为坐标值

这也是数组取值时使用的坐标，例如：（1，0，0）对应8

In [60]: arrrr
Out[60]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],
 
       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
 
In [61]: arrrr[1,0,0]
Out[61]: 8

总结

三维数组的大小是2 x 2 x 4

1. 最左边的为0轴=（0，1），中间的1轴=（0，1），最右边的3轴=（0，1，2，3）
2. 一维数组一定要用 1 × n 来记！！

A = np.array([1, 2, 3, 4, 5, 6])	# 一维
print(A.shape)
>>>(6,)					# 1X6 （1行6列）

3. 整个数组一共有16个数，首先以 axis=0 为例，由于我们现在整个数组里面一共有 16个数，而axis=0 只有两个元素，就是0和1，所以可以理解为在 axis=0 这个 axis 上，每隔 16 / 2 = 8 个数就跳一下。比如说上面这个图中就可以看出，坐标（0，0，0）和坐标（1，0，0）之间差的是 8。
   而axis=0考虑完以后，就考虑 axis=1，因为axis=0以8个元素为一组，而axis=0 只有两个元素，就是0和1，所以可以理解为在 axis=1 这个 axis 上，每隔 8 / 2 = 4个数就跳一下。比如说上面这个图中就可以看出，坐标（0，0，0）和坐标（0，1，0）之间差的是 4。
   而axis=1考虑完以后，就考虑 axis=2，因为axis=1以4个元素为一组，而axis=2 只有4个元素，就是0，1，2，3，所以可以理解为在 axis=1 这个 axis 上，每隔 4 / 4= 1个数就跳一下。比如说上面这个图中就可以看出，坐标（0，0，0）和坐标（0，0，1）之间差的是 1。
4. 最外面的括号代表0轴，中间的括号代表1轴，最里面的括号代表2轴。

In [59]: arrrr=np.arange(16).reshape((2,2,4))
 
In [60]: arrrr
Out[60]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],
 
       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

那么接下来激动人心的时刻到了：transpose 的本质，其实就是对 strides （每隔几个数就跳一下）中各个数的顺序进行调换。举个例子：

In [59]: arrrr=np.arange(16).reshape((2,2,4))
 
In [60]: arrrr
Out[60]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],
 
       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
 
In [62]: arrrr.transpose((1,0,2))
 
Out[62]:
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],
 
       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

在 transpose(1, 0, 2) 后，相应的 strides 会变成 (4, 8, 1)。，原来的strides (8, 4, 1)是而从上图可以看出，transpose 的结果确实满足：

• axis=0 的 axis 上，每隔 4 个数跳一下
• axis=1 的 axis 上，每隔 8个数跳一下
• axis=2 的 axis 上，每隔 1 个数跳一下