Question

我正在关注Python的科学建议的某些教程，我遇到了使用索引的这种方式：

import numpy as np
l=np.array([8,5,2,3])
print(l[:,None])

此印刷品的回报是：

[[8]
 [5]
 [2]
 [3]]

很明显这段代码做了什么，我发现它对我的提议非常有用，但我从来没有想过使用它，因为我不明白这个切片语法是什么。

任何人都可以解释一下这种切片的工作原理吗？

提前致谢。

Answer 1

:是所有元素的占位符，None是np.newaxis，如果您尝试切割额外形状，则None会告诉numpy制作新维度。

因此，编写示例并避免混淆的正确方法是：

import numpy as np
l = np.array([8, 5, 2, 3])
print(l[:, np.newaxis])

Answer 2

不，这是从1D到2D的数组维度的升级，精确的列向量。最常见的方法是使用None or np.newaxis：

In [317]: l = np.array([8,5,2,3])

In [318]: l[:, np.newaxis]
Out[318]: 
array([[8],
       [5],
       [2],
       [3]])

In [319]: l.shape
Out[319]: (4,)

In [320]: l[:, np.newaxis].shape
Out[320]: (4, 1)

但是，您也可以使用以下方法将其转换为行向量：

In [321]: l[np.newaxis, :]
Out[321]: array([[8, 5, 2, 3]])

In [322]: (l[np.newaxis, :]).shape
Out[322]: (1, 4)

因此，:表示在切片操作期间沿着特定轴从阵列中选择所有元素。

有关详细信息，请参阅how np.newaxis work。

这种索引类型是Numpy数组的转置吗？

2 个答案: