您好,登錄后才能下訂單哦!
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。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。