Question

通过sliding-window numpy示例。试图理解,None

的start_idx = np.arange(B[0])[:,None]

foo = np.arange(10)
print foo
print foo[:]
print foo[:,]
print foo[:,None]

None的效果似乎是转置数组。

[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
[[0]
 [1]
 [2]
 [3]
 [4]
 [5]
 [6]
 [7]
 [8]
 [9]]

但我并不完全确定。我还没有找到解释第二个参数（None）的功能的文档。这也是google的一个难点。 numpy array docs makes me think it has something to do with advanced indexing，但我不太确定。

Answer 1

foo[:, None]将1维数组foo扩展到第二维。事实上，numpy使用别名np.newaxis来执行此操作。

考虑foo

foo = np.array([1, 2])
print(foo)

[1 2]

一维数组有局限性。例如，什么是转置？

print(foo.T)

[1 2]

与数组本身相同

print(foo.T == foo)

[ True True]

这种限制有很多含义，在高维背景下考虑foo会很有用。 numpy使用np.newaxis

print(foo[np.newaxis, :])

[[1 2]]

但是这个np.newaxis只是None

的语法糖

np.newaxis is None

True

所以，我们经常使用None来代替它，因为它的字符更少，意味着同样的东西

print(foo[None, :])

[[1 2]]

好的，让我们看看我们还能做些什么。注意我在第一个位置使用None的示例，而OP使用第二个位置。此位置指定扩展哪个维度。我们可以采取进一步的措施。让这些例子有助于解释

print(foo[None, :])  # same as foo.reshape(1, 2)

[[1 2]]

print(foo[:, None])  # same as foo.reshape(2, 1)

[[1]
 [2]]

print(foo[None, None, :])  # same as foo.reshape(1, 1, 2) 

[[[1 2]]]

print(foo[None, :, None])  # same as foo.reshape(1, 2, 1)

[[[1]
  [2]]]

print(foo[:, None, None])  # same as foo.reshape(2, 1, 1)

[[[1]]

 [[2]]]

请记住numpy打印数组时的尺寸

print(np.arange(27).reshape(3, 3, 3))

          dim2        
          ────────⇀
dim0 →  [[[ 0  1  2]   │ dim1
          [ 3  4  5]   │
          [ 6  7  8]]  ↓
          ────────⇀
     →   [[ 9 10 11]   │
          [12 13 14]   │
          [15 16 17]]  ↓
          ────────⇀
     →   [[18 19 20]   │
          [21 22 23]   │
          [24 25 26]]] ↓

numpy索引切片，无

1 个答案: