图片来源：Garik Barseghyan，来自 Pixabay
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT
np.newaxis
-
它用于增加现有数组的维度。它使用切片操作符重新创建数组。
-
维度在数组中的位置通过 np.newaxis 临时添加。‘None’ 也可以用来代替 np.newaxis。
np.reshape：
- 它用于将数组重新调整为所需的布局。
np.expand_dims：
- 它通过在扩展数组形状中的轴位置插入新轴来扩展数组的形状
让我们看看一些主要应用场景，其中上述 NumPy 维度处理操作非常有用：
在这里，我们创建了一个形状为 (4,) 的 4 元素数组，这称为 Rank 1 数组。
Array of 4 elements: [0 1 2 3]
Notice the shape, this is rank 1 array: (4,)
after transpose: (4,)然而，Rank 1 数组往往会导致模糊的结果，因为它们不一致地表现为行/列向量。如上所示，如果我们对 x1 进行转置，其形状保持不变。
因此，通常建议明确指定数组的维度。这可以通过上述三种技术实现：
- 使用 np.newaxis：
row vector: [[0 1 2 3]]
(1, 4)
column vector:
[[0]
[1]
[2]
[3]]
(4, 1)- 使用 np.reshape
Row vector using reshape: [[0 1 2 3]]
column vector using reshape:
[[0]
[1]
[2]
[3]]- 使用 np.expand_dims
Row vector using expand_dims: [[0 1 2 3]]
column vector using expand_dims:
[[0]
[1]
[2]
[3]]创建另一个形状为 (2,4,28) 的数组 x2，并检查如何将 x2 的维度从 3D 扩展到 5D
从上述内容中需要注意的关键点是 np.reshape 也允许你拆分维度。
根据 NumPy 文档：
broadcasting 描述了 numpy 在算术操作中如何处理不同形状的数组。
例如，当我们将以下两个数组相加时，由于形状不匹配，会显示 'ValueError'：
让我们看看 np.newaxis 如何增加下面一个数组的维度：
由于我们主要需要调整数组的维度以进行正确的广播操作，np.reshape 和 np.expand_dims 增加维度的方式效果相同（如前面的例子所示）。
感谢阅读 !!!
带有完整代码的 Jupyter notebook 放置在 这里。
参考资料：
-
stackoverflow.com/questions/46334014/np-reshapex-1-1-vs-x-np-newaxis?noredirect=1&lq=1 -
stackoverflow.com/questions/28385666/numpy-use-reshape-or-newaxis-to-add-dimensions
Vidhi Chugh 是一位获奖的 AI/ML 创新领袖和 AI 伦理学家。她在数据科学、产品和研究的交汇处工作，以提供商业价值和洞察力。她倡导以数据为中心的科学，并在数据治理领域拥有领先的专业知识，致力于构建可信赖的 AI 解决方案。
原文。已获许可重新发布。