numpy 轴与维度的理解
numpy 轴与维度的理解
版权声明:本文为博主原创文章,未经博主允许不得转载。
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 2 行 3 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
- #!/usr/bin/env python
- # coding=utf-8
- import numpy as np
- a=np.array([1, 2, 3, 4, 5, 6, 7, 8])
- print a
- d=a.reshape((2,4))
- print d
三维数组
- #!/usr/bin/env python
- # coding=utf-8
- import numpy as np
- a=np.array([1, 2, 3, 4, 5, 6, 7, 8])
- print a
- f=a.reshape((2, 2, 2))
- print f
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。
- #!/usr/bin/env python
- # coding=utf-8
- import numpy as np
- a=np.array([1, 2, 3, 4, 5, 6, 7, 8])
- print a
- print a.dtype
- e=a.reshape((2,2))
- print e
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。
- #!/usr/bin/env python
- # coding=utf-8
- import numpy as np
- a=np.array([1, 2, 3, 4, 5, 6, 7, 8])
- print a
- e=a.reshape((2, 4))
- print e
- a[1]=100
- print a
- print e
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]])
- 顶
- 1
- 踩
- 0
- 上一篇10张图带你深入理解Docker容器和镜像
- 下一篇爬取今日头条街拍美女图片
- • 【MOOC】Python机器学习应用-北京理工大学 - 【第二周】有监督学习
- • JDK9新特性--Array
- • Spark自定义累加器的实现
- • Kubernetes容器云平台实践--李志伟
- • Python Numpy Tutorials: 改变数组的维度
- • 用Word2Vec处理自然语言
- • 采用平行轴坐标方法对一个高维度数据进行可视化
- • Java之优雅编程之道
- • 维度层次理解
- • Redis从入门到项目实战
- • 从维度方面理解代码的切分方法
- • React全家桶之WEB基础应用
- • 怎么理解Tableau的维度和度量
- • 互联网金融-互联网金融分析框架:从支付、投资、融资三个维度理解何谓“互联网金融”
- • 理解地图维度概念
- • 从对象和函数(或称构造函数)两个维度理解js中的函数
numpy 轴与维度的理解相关推荐
- numpy中数组维度的理解
参考 这篇文章主要是为了弄清楚数组按每个维度进行计算时,具体的操作是什么样的. 一.数组中的各个维度表示的是什么? 为了便于理解,用单位体表示,剥去一层中括号后,得到的数据. 1. 以二维数组为例 i ...
- Python 数据分析三剑客之 NumPy(一):理解 NumPy / 数组基础
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...
- 【python】numpy数组的维度增减方法
使用np.expand_dims()为数组增加指定的轴,np.squeeze()将数组中的轴进行压缩减小维度. 1.增加numpy array的维度 在操作数组情况下,需要按照某个轴将不同数组的维度对 ...
- 谈谈我对矩阵维度的理解
谈谈我对矩阵维度的理解 前言 一.混淆点 二.代码实现 1.矩阵相乘 总结 前言 在机器学习中,遇到的数据都是以矩阵形式存储的,那么矩阵的维度经常在变化,在编写代码应该时刻注意矩阵的维度变化,不然在参 ...
- 1.numpy中三维数组的理解
numpy中三维数组的理解 三维数组图形--立方体 图片中的三维数组 RNN中序列数据的三维数组 迭代数据中的三维数组 三维数组图形–立方体 我们在做图像处理,RNN序列数据,迭代数据的时候会遇到三维 ...
- 编程心得体会_CimatronE14高级五轴第三步,平行于曲线铣,会3轴编程更易理解
总期第数:总第034期 本期话题:CimatronE14高级五轴第三步,平行于曲线铣,会3轴编程很好理解 话题意义:了解平行于曲线铣的基本用法 观点声明:本文观点仅代表无名之个人观点,只是基于个人认知 ...
- 基础 | numpy ndarray 之内功心法,理解高维操作!
多维数据的形象表示 import numpy as np # 一维数据不用赘言 data_1d = np.array([0, 1, 2, 3]) # 二维数据作为 m 行 n 列的表格,例如 2 行 ...
- Numpy:关于flatten的理解
Numpy: flatten numpy.flatten(order='C') 将数组的副本(不更改原始数据)转换为一维,简单理解就是把数组拉平拉直 options order={'C', 'F', ...
- TensorFlow、Numpy中的axis的理解
TensorFlow中有很多函数涉及到axis,比如tf.reduce_mean(),其函数原型如下: def reduce_mean(input_tensor,axis=None,keepdims= ...
最新文章
- 十一届蓝桥杯国赛 本质上升序列-dp
- arcgis 属性表 汇总_ArcGIS实践教程(19)ArcGIS/ArcMap中属性表的合并方法
- 编译ffmpeg出现 librtmp not found using pkg-config
- Mysql 中将blob类型转换成varchar类型
- CuteFtp通用注册码
- idea的pom文件变灰色
- 常用的excel函数—汇总
- echarts-python数据可视化大屏展示
- AI改变现代商业的25种方式
- 6个步骤教你用Python解数独!(含实例代码)
- 基于R语言的关联规则分析项目
- max232c语言,串行口通信(STC89C52+MAX232):串行口通信硬件设计详解
- 传奇GOM引擎-GEE引擎版本如何添加GM账号刷装备
- 前后台订单入库调用流程
- OpenCV从摄像头中检测人脸
- 计算机总是提示网络电缆没有插,网络电缆没有插好原因与解决方法【图文教程】...
- 计算机桌面音量键在哪,win7系统控制音量的快捷方式有哪些
- Yoga C930 NM-B741 EYG70 Ariel-SVT REV 1.0联想笔记本图纸
- SitePoint播客#65:是否拥有IE6?
- python numpy求四分位距
热门文章
- Android 迷你播放器
- CentOS 7.6的64位安装JAVA JDK
- spotify能免费下歌吗_什么是Spotify Duo,它适合您吗?
- OpenGL风车项目
- 计算机键盘鼠标价格,价格相差5倍 看普通鼠标和游戏鼠标有何不同
- tkinter窗口美化功能介绍 第一章 内部美化功能
- 精辟!(/usr/bin/ld: cannot find -lxxx)可能出现的问题和原因
- html怎样写出x的平方,x的平方怎么打出来
- 计算机软件总体上分为,计算机软件分为哪两大类?它们各自的作用是什么?
- 如何使用阿里云国际对象存储服务自动备份