Question

a = np.array([1, 2, 3])
a.shape
(3,)# why not(1,3)?
v1 = np.array([4, 5, 6])[None,:] # what does none over here mean?
v1.shape
(1,3) #why (1,3) here?

为什么形状对一维数组显示不同的答案，这里没有什么意思？

Answer 1

此处的切片是通过np.newaxis对象完成的。它可以采用默认值None。

np.array([1, 2, 3])基本上包含3列和1行。通常，具有单个值的元组最后以'，'结尾。

np.array([4, 5, 6])[None,:]使用np.newaxis对象，该对象可以设置为“无”。依次显示每一行中的每个元素。

对newaxis对象的引用：numpy.newaxis

newaxis对象可用于所有切片操作中，以创建长度为一的轴。 newaxis是“无”的别名，可以用“无”代替它，结果相同。

Answer 2

在某些编程语言或框架中，一维数组被认为与其中一个维的长度为1的二维数组相同。

但不是numpy 。

在numpy中，一维数组是这样的：

将(n,)打印为形状（其中n是其唯一尺寸的长度）
那些元素只需要一个索引即可单独访问。

一个numpy的二维数组是什么：

将(m,n)打印为形状
其元素需要两个索引才能单独访问。

numpy ndarray的shape属性告诉您数组每个维度的长度。

在a = np.array([1, 2, 3])中，您将创建一个一维数组，而该维的唯一长度为3。

要创建“最近的”二维数组，您必须调用np.array([[1, 2, 3]])。

在开头注意连续的[[，在结尾注意连续的]]。当您打印此二维数组时，这些双括号也会出现。

通常（以可视方式计算出ndarray中维数的数量）在开始（或末尾）处的连续括号的数量。

将None用作numpy中的索引

通常，在Python中，当您对列表进行切片或将其索引到列表中时，您可能习惯于获得相同数量维或更少的结果。 strong>尺寸数。

但是在numpy中，有时可以使用索引符号来构建更高维的ndarray。

当您获取np.array([4, 5, 6])的结果并用[None, :]对其进行索引时，这就是您在这里所做的事情。

在numpy中，将None指定为索引时，它与指定numpy.newaxis相同。（它只是numpy.newaxis的更紧凑的替代方案）

然后，在特定位置（在您的情况下，索引中的位置0）将numpy.newaxis指定为索引，就像在说：“我想再增加一个维度，长度为1 ，在这个特定位置”

（请注意，在numpy中，单词 axis 和 dimension 在文档中可互换使用。）

在您的情况下，np.array([4, 5, 6])首先返回一个一维数组，该唯一维的长度为3（因为有3个元素）。

当您随后使用[None, :]索引到此一维数组时，您的第一个索引None实际上是在说您要在位置0处添加长度为1的新维度的前缀（即索引中的位置0）。换句话说，您要首先创建一个长度为1的外部数组，而该外部数组的唯一元素将是一个内部数组，并且该内部数组的形状和内容由索引进一步指定，跟随您的None（在这种情况下，只需跟踪:）。

（由于此新前缀维的长度始终为1，因此可用于该新维的唯一有效索引将为0）

当您在此新前缀维度上使用索引0时，第二个索引（:）实际上是指定要获取的内容。通过将:指定为第二个索引，实际上是在说您希望np.array([4, 5, 6])的整个结果都出现在新前缀维的位置0。

索引一维数组时，“无”是什么意思，为什么形状会发生变化？

2 个答案: