当前位置：首页 > news >正文

网站名称重要吗长沙百度seo代理

news 2025/7/27 18:24:54

网站名称重要吗,长沙百度seo代理,产品介绍网站如何做seo,可以在网上接网站做的网址np.newaxis 是 NumPy 中用于增加数组维度的关键字。它的作用是为数组插入一个新的维度，从而改变数组的形状（shape）。基本用法 np.newaxis 等价于 None，可以作为索引使用，用于在指定位置增加一个维度。增加的维度的大…

np.newaxis 是 NumPy 中用于增加数组维度的关键字。它的作用是为数组插入一个新的维度，从而改变数组的形状（shape）。

基本用法

np.newaxis 等价于 None，可以作为索引使用，用于在指定位置增加一个维度。
增加的维度的大小为 1。

语法

array[newaxis, ...]  # 在第 0 维增加一个维度
array[..., newaxis]  # 在最后一维增加一个维度
array[:, newaxis, :]  # 在指定位置增加一个维度

例子与解释

1. 在第 0 维增加一个维度

import numpy as nparr = np.array([1, 2, 3])  # 原始数组 shape: (3,)
new_arr = arr[np.newaxis, :]  # shape: (1, 3)print(new_arr)
# Output:
# [[1 2 3]]

解释：

原始数组 arr 是一维的，形状为 (3,)。
使用 np.newaxis 后，在第 0 维增加一个新维度，形状变为 (1, 3)。

2. 在最后一维增加一个维度

arr = np.array([1, 2, 3])  # shape: (3,)
new_arr = arr[:, np.newaxis]  # shape: (3, 1)print(new_arr)
# Output:
# [[1]
#  [2]
#  [3]]

解释：

原始数组 arr 是一维的，形状为 (3,)。
使用 np.newaxis 后，在最后一维增加一个新维度，形状变为 (3, 1)。

3. 用于多维数组

arr = np.array([[1, 2, 3], [4, 5, 6]])  # shape: (2, 3)# 在第 0 维增加
new_arr_1 = arr[np.newaxis, :, :]  # shape: (1, 2, 3)# 在第 1 维增加
new_arr_2 = arr[:, np.newaxis, :]  # shape: (2, 1, 3)# 在最后一维增加
new_arr_3 = arr[:, :, np.newaxis]  # shape: (2, 3, 1)print("Original Shape:", arr.shape)
print("Shape after newaxis at dim 0:", new_arr_1.shape)
print("Shape after newaxis at dim 1:", new_arr_2.shape)
print("Shape after newaxis at dim 2:", new_arr_3.shape)

实际应用

1. 转换向量为列向量或行向量

在机器学习或矩阵运算中，常需要将向量变为列向量或行向量。

arr = np.array([1, 2, 3])  # shape: (3,)# 转为列向量
col_vector = arr[:, np.newaxis]  # shape: (3, 1)# 转为行向量
row_vector = arr[np.newaxis, :]  # shape: (1, 3)print("Column Vector:\n", col_vector)
print("Row Vector:\n", row_vector)

2. 扩展广播机制

使用 np.newaxis 可以调整数组形状以实现广播操作。

arr1 = np.array([1, 2, 3])  # shape: (3,)
arr2 = np.array([4, 5])     # shape: (2,)# 调整维度
arr1_expanded = arr1[np.newaxis, :]  # shape: (1, 3)
arr2_expanded = arr2[:, np.newaxis]  # shape: (2, 1)result = arr1_expanded + arr2_expanded  # shape: (2, 3)print(result)
# Output:
# [[5 6 7]
#  [6 7 8]]

等价性

np.newaxis 等价于 None，下面两种写法是相同的：

arr = np.array([1, 2, 3])# 使用 np.newaxis
new_arr_1 = arr[np.newaxis, :]# 使用 None
new_arr_2 = arr[None, :]print(np.array_equal(new_arr_1, new_arr_2))  # Output: True