Khi tôi cố gắng
numpy.newaxiskết quả mang lại cho tôi khung vẽ 2 chiều với trục x từ 0 đến 1. Tuy nhiên, khi tôi cố gắng sử dụng numpy.newaxisđể cắt một vectơ,
vector[0:4,]
[ 0.04965172 0.04979645 0.04994022 0.05008303]
vector[:, np.newaxis][0:4,]
[[ 0.04965172]
[ 0.04979645]
[ 0.04994022]
[ 0.05008303]]Có phải điều tương tự ngoại trừ việc nó thay đổi một vectơ hàng thành một vectơ cột?
Nói chung, việc sử dụng là gì numpy.newaxisvà trong trường hợp nào chúng ta nên sử dụng nó?
Câu trả lời:
Nói một cách đơn giản, numpy.newaxisđược sử dụng để tăng kích thước của mảng hiện có thêm một chiều , khi được sử dụng một lần . Như vậy
Mảng 1D sẽ trở thành mảng 2D
Mảng 2D sẽ trở thành mảng 3D
Mảng 3D sẽ trở thành mảng 4D
Mảng 4D sẽ trở thành mảng 5D
và như thế..
Dưới đây là một minh họa trực quan mô tả việc quảng cáo mảng 1D sang mảng 2D.
Kịch bản-1 : np.newaxiscó thể có ích khi bạn muốn chuyển đổi rõ ràng một mảng 1D thành một vectơ hàng hoặc một vectơ cột , như được mô tả trong hình trên.
Thí dụ:
# 1D array
In [7]: arr = np.arange(4)
In [8]: arr.shape
Out[8]: (4,)
# make it as row vector by inserting an axis along first dimension
In [9]: row_vec = arr[np.newaxis, :] # arr[None, :]
In [10]: row_vec.shape
Out[10]: (1, 4)
# make it as column vector by inserting an axis along second dimension
In [11]: col_vec = arr[:, np.newaxis] # arr[:, None]
In [12]: col_vec.shape
Out[12]: (4, 1)Kịch bản-2 : Khi chúng tôi muốn sử dụng phát sóng numpy như một phần của một số hoạt động, ví dụ như trong khi thực hiện thêm một số mảng.
Thí dụ:
Giả sử bạn muốn thêm hai mảng sau:
x1 = np.array([1, 2, 3, 4, 5])
x2 = np.array([5, 4, 3])Nếu bạn cố gắng thêm những thứ này như thế, NumPy sẽ nêu ra những điều sau ValueError:
ValueError: operands could not be broadcast together with shapes (5,) (3,)Trong tình huống này, bạn có thể sử dụng np.newaxisđể tăng kích thước của một trong các mảng để NumPy có thể phát .
In [2]: x1_new = x1[:, np.newaxis] # x1[:, None]
# now, the shape of x1_new is (5, 1)
# array([[1],
# [2],
# [3],
# [4],
# [5]])Bây giờ, thêm:
In [3]: x1_new + x2
Out[3]:
array([[ 6, 5, 4],
[ 7, 6, 5],
[ 8, 7, 6],
[ 9, 8, 7],
[10, 9, 8]])Ngoài ra, bạn cũng có thể thêm trục mới vào mảng x2:
In [6]: x2_new = x2[:, np.newaxis] # x2[:, None]
In [7]: x2_new # shape is (3, 1)
Out[7]:
array([[5],
[4],
[3]])Bây giờ, thêm:
In [8]: x1 + x2_new
Out[8]:
array([[ 6, 7, 8, 9, 10],
[ 5, 6, 7, 8, 9],
[ 4, 5, 6, 7, 8]])Lưu ý : Quan sát rằng chúng tôi nhận được cùng một kết quả trong cả hai trường hợp (nhưng một trường hợp là chuyển vị của trường hợp khác).
Kịch bản-3 : Điều này tương tự như kịch bản-1. Nhưng, bạn có thể sử dụng np.newaxisnhiều lần để quảng bá mảng lên kích thước cao hơn. Một hoạt động như vậy đôi khi là cần thiết cho các mảng thứ tự cao hơn ( ví dụ như Tenors ).
Thí dụ:
In [124]: arr = np.arange(5*5).reshape(5,5)
In [125]: arr.shape
Out[125]: (5, 5)
# promoting 2D array to a 5D array
In [126]: arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis] # arr[None, ..., None, None]
In [127]: arr_5D.shape
Out[127]: (1, 5, 5, 1, 1)Thêm nền tảng về np.newaxis vs np.reshape
newaxis cũng được gọi là chỉ số giả cho phép bổ sung tạm thời một trục vào đa khung.
np.newaxissử dụng toán tử cắt để tái tạo mảng trong khi np.reshapereshapes mảng để bố trí mong muốn (giả định rằng kích thước phù hợp; Và đây là bắt buộc đối với một reshapexảy ra).
Thí dụ
In [13]: A = np.ones((3,4,5,6))
In [14]: B = np.ones((4,6))
In [15]: (A + B[:, np.newaxis, :]).shape # B[:, None, :]
Out[15]: (3, 4, 5, 6)Trong ví dụ trên, chúng tôi đã chèn một trục tạm thời giữa trục thứ nhất và trục thứ hai của B(để sử dụng phát sóng). Một trục bị thiếu được điền vào đây bằng cách sử dụng np.newaxisđể làm cho hoạt động phát sóng hoạt động.
Mẹo chung : Bạn cũng có thể sử dụngNonethay thếnp.newaxis; Đây là những đối tượng trong thực tế.
In [13]: np.newaxis is None
Out[13]: TruePS Cũng xem câu trả lời tuyệt vời này: newaxis vs reshape để thêm kích thước
np.newaxisgìĐây np.newaxischỉ là một bí danh cho hằng số Python None, có nghĩa là bất cứ nơi nào bạn sử dụng, np.newaxisbạn cũng có thể sử dụng None:
>>> np.newaxis is None
TrueNó chỉ mang tính mô tả hơn nếu bạn đọc mã sử dụng np.newaxisthay vì None.
np.newaxisnhư thế nào?Các np.newaxisthường được sử dụng với cắt. Nó chỉ ra rằng bạn muốn thêm một thứ nguyên bổ sung cho mảng. Vị trí của np.newaxisđại diện nơi tôi muốn thêm kích thước.
>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.shape
(10,)Trong ví dụ đầu tiên, tôi sử dụng tất cả các yếu tố từ chiều thứ nhất và thêm chiều thứ hai:
>>> a[:, np.newaxis]
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
>>> a[:, np.newaxis].shape
(10, 1)Ví dụ thứ hai thêm một thứ nguyên làm thứ nguyên đầu tiên và sau đó sử dụng tất cả các phần tử từ thứ nguyên đầu tiên của mảng ban đầu làm các phần tử trong thứ nguyên thứ hai của mảng kết quả:
>>> a[np.newaxis, :] # The output has 2 [] pairs!
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
>>> a[np.newaxis, :].shape
(1, 10)Tương tự, bạn có thể sử dụng nhiều np.newaxisđể thêm nhiều thứ nguyên:
>>> a[np.newaxis, :, np.newaxis] # note the 3 [] pairs in the output
array([[[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]]])
>>> a[np.newaxis, :, np.newaxis].shape
(1, 10, 1)np.newaxis?Có một chức năng rất giống nhau trong NumPy : np.expand_dims, cũng có thể được sử dụng để chèn một chiều:
>>> np.expand_dims(a, 1) # like a[:, np.newaxis]
>>> np.expand_dims(a, 0) # like a[np.newaxis, :]Nhưng với điều kiện là nó chỉ chèn 1s vào trong mảng, shapebạn cũng có thể thêm reshapemảng để thêm các kích thước này:
>>> a.reshape(a.shape + (1,)) # like a[:, np.newaxis]
>>> a.reshape((1,) + a.shape) # like a[np.newaxis, :]Hầu hết thời gian np.newaxislà cách dễ nhất để thêm kích thước, nhưng thật tốt khi biết các lựa chọn thay thế.
np.newaxis?Trong một số bối cảnh là thêm kích thước hữu ích:
Nếu dữ liệu nên có một số kích thước được chỉ định. Ví dụ: nếu bạn muốn sử dụng matplotlib.pyplot.imshowđể hiển thị mảng 1D.
Nếu bạn muốn NumPy phát sóng mảng. Ví dụ, bằng cách thêm một thứ nguyên, bạn có thể nhận được sự khác biệt giữa tất cả các thành phần của một mảng : a - a[:, np.newaxis]. Điều này hoạt động vì các hoạt động NumPy phát sóng bắt đầu với chiều thứ 1 cuối cùng .
Để thêm một kích thước cần thiết để NumPy có thể phát các mảng. Điều này hoạt động vì mỗi chiều dài 1 chiều chỉ đơn giản được phát theo chiều dài của 1 chiều tương ứng của mảng khác.
1 Nếu bạn muốn đọc thêm về các quy tắc phát sóng, tài liệu NumPy về chủ đề đó là rất tốt. Nó cũng bao gồm một ví dụ với np.newaxis:
>>> a = np.array([0.0, 10.0, 20.0, 30.0]) >>> b = np.array([1.0, 2.0, 3.0]) >>> a[:, np.newaxis] + b array([[ 1., 2., 3.], [ 11., 12., 13.], [ 21., 22., 23.], [ 31., 32., 33.]])
newaxisđối tượng trong bộ lựa chọn phục vụ để mở rộng kích thước của lựa chọn kết quả theo một chiều dài đơn vị .
Nó không chỉ là chuyển đổi ma trận hàng sang ma trận cột.
Hãy xem xét ví dụ dưới đây:
In [1]:x1 = np.arange(1,10).reshape(3,3)
print(x1)
Out[1]: array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])Bây giờ hãy thêm kích thước mới vào dữ liệu của chúng tôi,
In [2]:x1_new = x1[:,np.newaxis]
print(x1_new)
Out[2]:array([[[1, 2, 3]],
[[4, 5, 6]],
[[7, 8, 9]]])Bạn có thể thấy rằng newaxisđã thêm kích thước phụ ở đây, x1 có thứ nguyên (3,3) và X1_new có thứ nguyên (3,1,3).
Làm thế nào kích thước mới của chúng tôi cho phép chúng tôi hoạt động khác nhau:
In [3]:x2 = np.arange(11,20).reshape(3,3)
print(x2)
Out[3]:array([[11, 12, 13],
[14, 15, 16],
[17, 18, 19]]) Thêm x1_new và x2, chúng tôi nhận được:
In [4]:x1_new+x2
Out[4]:array([[[12, 14, 16],
[15, 17, 19],
[18, 20, 22]],
[[15, 17, 19],
[18, 20, 22],
[21, 23, 25]],
[[18, 20, 22],
[21, 23, 25],
[24, 26, 28]]])Do đó, newaxiskhông chỉ là chuyển đổi hàng thành ma trận cột. Nó làm tăng kích thước của ma trận, do đó cho phép chúng tôi thực hiện nhiều thao tác hơn trên nó.
ndarraythuật ngữ NumPy nào.
except that it changes a row vector to a column vector?Ví dụ đầu tiên không phải là một vectơ hàng. Đó là một khái niệm matlab. Trong python, nó chỉ là một vectơ 1 chiều không có khái niệm hàng hoặc cột. Các vectơ hàng hoặc cột là 2-dimensonal, giống như ví dụ thứ hai