numpy 轴与维度的理解

时间:2021-03-30 10:34:37

NumPy’s main object is the homogeneous multidimensional array. It is a table of elements (usually numbers), all of the same type, indexed by a tuple of positive integers. In NumPy dimensions are called axes. The number of axes is rank.

For example, the coordinates of a point in 3D space [1, 2, 1] is an array of rank 1, because it has one axis. That axis has a length of 3. In the example pictured below, the array has rank 2 (it is 2-dimensional). The first dimension (axis) has a length of 2, the second dimension has a length of 3.

[[ 1., 0., 0.],
[ 0., 1., 2.]]

ndarray.ndim

数组轴的个数,在python的世界中,轴的个数被称作秩

>> X = np.reshape(np.arange(24), (2, 3, 4))

# 也即 23 列的 4 个平面(plane)

>> X
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]]
,

[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]
])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

shape函数是numpy.core.fromnumeric中的函数,它的功能是读取矩阵的长度,比如shape[0]就是读取矩阵第一维度的长度。

shape(x)

(2,3,4)

shape(x)[0]

2

或者

x.shape[0]

2

再来分别看每一个平面的构成:

>> X[:, :, 0]
array([[ 0, 4, 8],
[12, 16, 20]]
)

>> X[:, :, 1]
array([[ 1, 5, 9],
[13, 17, 21]]
)

>> X[:, :, 2]
array([[ 2, 6, 10],
[14, 18, 22]]
)

>> X[:, :, 3]
array([[ 3, 7, 11],
[15, 19, 23]]
)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

也即在对 np.arange(24)(0, 1, 2, 3, ..., 23) 进行重新的排列时,在多维数组的多个轴的方向上,先分配最后一个轴(对于二维数组,即先分配行的方向,对于三维数组即先分配平面的方向)

reshpae,是数组对象中的方法,用于改变数组的形状。

二维数组

[python] view plain copy
  1. #!/usr/bin/env python  
  2. # coding=utf-8  
  3. import numpy as np  
  4.   
  5. a=np.array([12345678])  
  6. print a  
  7. d=a.reshape((2,4))  
  8. print d  

numpy 轴与维度的理解

三维数组

[python] view plain copy
  1. #!/usr/bin/env python  
  2. # coding=utf-8  
  3. import numpy as np  
  4.   
  5. a=np.array([12345678])  
  6. print a  
  7. f=a.reshape((222))  
  8. print f  

numpy 轴与维度的理解

形状变化的原则是数组元素不能发生改变,比如这样写就是错误的,因为数组元素发生了变化。

[python] view plain copy
  1. #!/usr/bin/env python  
  2. # coding=utf-8  
  3. import numpy as np  
  4.   
  5. a=np.array([12345678])  
  6. print a  
  7. print a.dtype  
  8. e=a.reshape((2,2))  
  9. print e  

numpy 轴与维度的理解


注意:通过reshape生成的新数组和原始数组公用一个内存,也就是说,假如更改一个数组的元素,另一个数组也将发生改变。

[python] view plain copy
  1. #!/usr/bin/env python  
  2. # coding=utf-8  
  3. import numpy as np  
  4.   
  5. a=np.array([12345678])  
  6. print a  
  7. e=a.reshape((24))  
  8. print e  
  9. a[1]=100  
  10. print a  
  11. print e  

numpy 轴与维度的理解



Python中reshape函数参数-1的意思

a=np.arange(0, 60, 10)
>>>a

array([0,10,20,30,40,50])

>>>a.reshape(-1,1)

array([[0],

[10],

[20],

[30],

[40],

[50]])

如果写成a.reshape(1,1)就会报错

ValueError:cannot reshape array of size 6 into shape (1,1)

>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.reshape(a, (3,-1)) # the unspecified value is inferred to be 2
array([[1, 2],
[3, 4],
[5, 6]])
-1表示我懒得计算该填什么数字,由python通过a和其他的值3推测出来。
# 下面是两张2*3大小的照片(不知道有几张照片用-1代替),如何把所有二维照片给摊平成一维
>>> image = np.array([[[1,2,3], [4,5,6]], [[1,1,1], [1,1,1]]])
>>> image.shape
(2, 2, 3)
>>> image.reshape((-1, 6))
array([[1, 2, 3, 4, 5, 6],
[1, 1, 1, 1, 1, 1]])