NumPy中的維度Axis詳解

淺談NumPy中的維度Axis

NumPy中的維度是一個(gè)很重要的概念，很多函數(shù)的參數(shù)都需要給定維度Axis，如何直觀的理解維度呢？我們首先以二維數(shù)組為例進(jìn)行說明，然后推廣到多維數(shù)組。

(有人將ndim屬性叫維度，將axis叫軸，我還是習(xí)慣將axis稱之為維度，axis=0稱為第一個(gè)維度)

二維數(shù)組的列子

下面是一個(gè)二維數(shù)組的列子：

In [1]: import numpy as np

In [2]: x = np.random.randint(0, 9, (2, 3))

In [3]: x
Out[3]:
array([[0, 8, 6],
    [1, 2, 1]])

In [4]: x.ndim
Out[4]: 2

In [5]: x.shape
Out[5]: (2, 3)

In [6]: x[0]
Out[6]: array([0, 8, 6])

In [7]: x[:, 0]
Out[7]: array([0, 1])

In [8]: x.sum(axis=0)
Out[8]: array([ 1, 10, 7])

In [9]: x.sum(axis=1)
Out[9]: array([14, 4])

In [10]: x[0] + x[1]
Out[10]: array([ 1, 10, 7])

In [11]: x[:, 0] + x[:, 1] + x[:, 2]
Out[11]: array([14, 4])

看上面這個(gè)例子，x是一個(gè)2行3列的數(shù)組，所以x是一個(gè)二維數(shù)組。

從第6和第7個(gè)輸入輸出，我們可以肯定地說"對(duì)于二維數(shù)組，第一維指的是行，第二維指的是列"。

我們通過sum求和函數(shù)，探究一下x的第一維和第二維的意義？從第8個(gè)和第9個(gè)輸入輸出，我們可以看到對(duì)于參數(shù)axis=0，其結(jié)果是數(shù)組列的和；而對(duì)于參數(shù)axis=1，其參數(shù)是數(shù)組行的和。

對(duì)于axis=0第一個(gè)維度求和，不是將第一維度（行）中的所有元素相加，而是沿著第一個(gè)維度，將對(duì)應(yīng)其他維度（列）的數(shù)據(jù)相加，分解開來就是第10個(gè)輸入輸出。同理，對(duì)于axis=1，是沿著列，將行中的元素相加。

NumPy中對(duì)于維度的操作都是以類似這樣的邏輯操作的。

多維數(shù)組

對(duì)于多維數(shù)組我們?nèi)绾螠?zhǔn)確區(qū)分維度呢？下面以圖示進(jìn)行說明：

所以，我的結(jié)論就是：在概念上維度是從整體到局部看的，最外圍的是第一個(gè)維度，然后依次往里，最內(nèi)部的就是最后一維。

下面我們用代碼驗(yàn)證一下上面的結(jié)論：

In [19]: x = np.random.randint(0, 9, (2, 3, 4))

In [20]: x
Out[20]:
array([[[0, 7, 5, 5],
    [6, 3, 1, 3],
    [7, 5, 3, 4]],

    [[8, 1, 4, 6],
    [8, 1, 4, 8],
    [3, 0, 8, 2]]])

In [21]: x[0]
Out[21]:
array([[0, 7, 5, 5],
    [6, 3, 1, 3],
    [7, 5, 3, 4]])

In [22]: x[:, 0, :]
Out[22]:
array([[0, 7, 5, 5],
    [8, 1, 4, 6]])

可以看到，第21個(gè)輸入輸出取到的是第一維的第一個(gè)元素，第22個(gè)輸入輸出取到的是第二維的第一個(gè)元素。大家可以細(xì)細(xì)體味一下！

以上這篇（標(biāo)題）就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持億速云。