这篇“numpy怎么增加维度和删除维度”文章的知识点大部分人都不太理解,所以小编给大家总结了以下内容,内容详细,步骤清晰,具有一定的借鉴价值,希望大家阅读完这篇文章能有所收获,下面我们一起来看看这篇“numpy怎么增加维度和删除维度”文章吧。
楔子
在 TensorFlow 中,可以给一个 tensor 增加一个维度、删除一个维度,那么在 Numpy 中该怎么呢?
删除维度、增加维度
import numpy as np arr = np.array([[[1, 2, 3], [2, 3, 4]]]) print(arr) """ [[[1 2 3] [2 3 4]]] """ print(arr.shape) # (1, 2, 3) # 事实上第一个维度我们是不需要的,因为在该维度上数组的长度是 1 # 删除第 1 个维度,我们看到已经改变了 print(np.squeeze(arr, 0)) """ [[1 2 3] [2 3 4]] """
但是注意:只有数组长度在该维度上为 1,那么该维度才可以被删除。如果不是1,那么删除的话会报错。
import numpy as np arr = np.array([[[1, 2, 3], [2, 3, 4]]]) print(arr.shape) # (1, 2, 3) try: # 删除第二个维度,显然在第二个维度上数组的长度是 2,不是 1 # 所以它不能被删除 print(np.squeeze(arr, 1)) except Exception as e: print(e) # cannot select an axis to squeeze out which has size not equal to one
删除只能删除数组长度为 1 所对应的维度,同理添加也是添加一个维度也只是让数组在这个维度上的长度变成 1,因为数组本来不存在这个维度的,但是我们强行加上了一个维度,那么数组在这个维度上的长度只能是 1。
import numpy as np arr = np.array([[1, 2, 3], [2, 3, 4]]) print(arr.shape) # (2, 3) # 很好理解 print(np.expand_dims(arr, 0).shape) # (1, 2, 3) print(np.expand_dims(arr, 1).shape) # (2, 1, 3) print(np.expand_dims(arr, 2).shape) # (2, 3, 1) arr = np.array([1, 2, 3]) print(np.expand_dims(arr, 0)) """ [[1 2 3]] """ print(np.expand_dims(arr, 1)) """ [[1] [2] [3]] """
以上就实现了数组维度的删除和增加,因为数组的元素是固定的,所以在删除维度和增加维度时,数组在该维度上的长度必须是 1。
另外,变化维度还可以使用 reshape,比如 arr 的维度是 (2, 1, 3),我们把第二个维度给去掉的话,那么直接 arr.reshape((2, 3)) 即可,增加维度也是同理,只要变化维度前后的元素个数不变即可。
import numpy as np arr = np.array([[1, 2, 3], [2, 3, 4]]) print(arr.shape) # (2, 3) arr1 = arr.reshape((2, 1, 1, 3)) print(arr1) """ [[[[1 2 3]]] [[[2 3 4]]]] """ print(arr1.shape) # (2, 1, 1, 3) print(np.all(arr1.reshape((2, 3)) == arr)) # True
最后,增加维度还有一种做法,但用的不多,举个栗子:
import numpy as np arr = np.array([[1, 2, 3], [2, 3, 4]]) print(arr.shape) # (2, 3) # 将维度变成 (2, 1, 3, 1, 1) arr1 = arr[:, np.newaxis, :, np.newaxis, np.newaxis] print(arr1.shape) # (2, 1, 3, 1, 1) # np.newaxis 等价于 None print(arr[:, None, :, None, None].shape) # (2, 1, 3, 1, 1) # 使用 : 的部分和之前的维度是对应的,np.newaxis 或者 None 可以理解成 1 # 因此最终得到的数组的维度就是 (2, 1, 3, 1, 1) # 再以一维数组为例 arr = np.array([1, 2, 3]) print(arr) """ [1 2 3] """ # 得到的数组的 shape 为 (1, 3) print(arr[None, :]) """ [[1 2 3]] """ # 得到的数组的 shape 为 (3, 1) print(arr[:, None]) """ [[1] [2] [3]] """
删除、增加一行或一列
说实话,改变数组的维度不是特别常见,更常见的是删除数组的一行或者一列,举个栗子:
# 原始数组 [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] # 我们希望删除一行 [[ 0 1 2 3] [ 8 9 10 11]] # 或者删除一列 [[ 0 2 3] [ 4 6 7] [ 8 10 11]]
这种需求相对来说更加常见一些,那么应该怎么做呢?我们来看一下。
删除一行或一列
首先是删除:
import numpy as np arr = np.arange(0, 12).reshape(3, 4) print(arr) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] """ # 假设删除第二行 print(np.delete(arr, [1], axis=0)) """ [[ 0 1 2 3] [ 8 9 10 11]] """ # 删除第一行和第三行 print(np.delete(arr, [0, 2], axis=0)) """ [[4 5 6 7]] """ # 删除前两行,slice(0, 2) 也可以换成 np.s_[0: 2] print(np.delete(arr, slice(0, 2), axis=0)) """ [[ 8 9 10 11]] """
删除列的话也是同理,只需要将 axis=0 换成 axis=1 即可,注意:如果不指定 axis 或者 axis 指定为 None,那么会 np.delete 会将传递的数组扁平化(变成一维数组),然后进行删除。举个栗子:
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr) """ [[1 2 3] [4 5 6]] """ # 会将 arr 扁平化处理,然后删除索引为 1 的元素,因此要注意 axis 参数 print(np.delete(arr, [1])) """ [1 3 4 5 6] """
增加一行或一列
如果想增加一行或一列的话,要怎么做呢?
import numpy as np arr = np.arange(0, 12).reshape(3, 4) print(arr) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] """ # 在尾部增加一行,注意:这里的维度一定要匹配,指定 [0, 0, 0, 0] 是不行的,因为 arr 是一个二维数组 print(np.append(arr, [[0, 0, 0, 0]], axis=0)) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [ 0 0 0 0]] """ # 在尾部增加一列,维度同样要匹配 print(np.append(arr, [[0], [0], [0]], axis=1)) """ [[ 0 1 2 3 0] [ 4 5 6 7 0] [ 8 9 10 11 0]] """
如果不指定 axis,那么仍然会将传递的数组扁平化,然后进行追加:
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr) print(np.append(arr, 0)) # [1 2 3 4 5 6 0] print(np.append(arr, [0, 0])) # [1 2 3 4 5 6 0 0] print(np.append(arr, [[0, 0]])) # [1 2 3 4 5 6 0 0]
append 默认是在尾部进行追加,并且还要求维度要匹配,不是很方便。所以这里更推荐 insert 函数:
import numpy as np arr = np.arange(0, 12).reshape(3, 4) print(arr) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] """ # 索引为 1 的位置插入一行,值全为 0 print(np.insert(arr, 1, 0, axis=0)) """ [[ 0 1 2 3] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]] """ # 或者我们也可以手动指定 print(np.insert(arr, 1, [0, 0, 0, 0], axis=0)) """ [[ 0 1 2 3] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]] """ # 二维数组也是可以的 print(np.insert(arr, 1, [[0, 0, 0, 0], [0, 0, 0, 0]], axis=0)) """ [[ 0 1 2 3] [ 0 0 0 0] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]] """ # 插入一列,注意元素个数要匹配,每一列是 3 个元素 print(np.insert(arr, 1, [[0, 0, 0], [0, 0, 0]], axis=1)) """ [[ 0 0 0 1 2 3] [ 4 0 0 5 6 7] [ 8 0 0 9 10 11]] """
我们看到 insert 比 append 要方便很多,并且功能也更加强大一些,并且 append 完全可以使用 insert 实现,举个栗子:
import numpy as np arr = np.arange(0, 12).reshape(3, 4) print(arr) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] """ # 在尾部增加一行 print(np.insert(arr, arr.shape[0], 0, axis=0)) """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [ 0 0 0 0]] """ # 在尾部增加一列 print(np.insert(arr, arr.shape[1], 0, axis=1)) """ [[ 0 1 2 3 0] [ 4 5 6 7 0] [ 8 9 10 11 0]] """
最后,如果 insert 不指定维度,那么也是会先将数组扁平化,然后在进行 insert,举个栗子:
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(np.insert(arr, 1, [0, 0])) # [1 0 0 2 3 4 5 6]
以上就是关于“numpy怎么增加维度和删除维度”这篇文章的内容,相信大家都有了一定的了解,希望小编分享的内容对大家有帮助,若想了解更多相关的知识内容,请关注编程之家行业资讯频道。