下面小编就为大家分享一篇对numpy中轴与维度的理解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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]]])
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]])
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,来源gao($daima.com搞@代@#码(网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]])
以上这篇对numpy中轴与维度的理解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gaodaima搞代码网。
以上就是对numpy中轴与维度的理解的详细内容，更多请关注gaodaima搞代码网其它相关文章！
转载请注明原文链接：对numpy中轴与维度的理解
