如下所示:
>> type(np.newaxis)NoneType>> np.newaxis == NoneTruenp.newaxis 在使用和功能上等价于 None,其实就是 None 的一个别名。
1. np.newaxis 的实用
>> x = np.arange(3)>> xarray([0, 1, 2])>> x.shape(3,)>> x[:, np.newaxis]array([[0], [1], [2]])>> x[:, None]array([[0], [1], [2]])>> x[:, np.newaxis].shape (3, 1)2. 索引多维数组的某一列时返回的是一个行向量
>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])>>> X[:, 1]array([2, 6, 10]) % 这里是一个行>>> X[:, 1].shape % X[:, 1] 的用法完全等同于一个行,而不是一个列,(3, )如果我索引多维数组的某一列时,返回的仍然是列的结构,一种正确的索引方式是:
>>>X[:, 1][:, np.newaxis]array([[2], [6], [10]])如果想实现第二列和第四列的拼接(层叠):
>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]]) % hstack:horizontal stack,水平方向上的层叠>>>X_subarray([[2, 4] [6, 8] [10, 12]])当然更为简单的方式还是使用切片:
>> X[:, [1, 3]]array([[ 2, 4], [ 6, 8], [10, 12]])以上这篇numpy np.newaxis 的实用分享就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。