深入了解numpy.array一些函數運算中的axis參數

深入了解ny.array中的axis參數

• 一、二維矩陣下的一些運算執行個體
• • 1.建立一個二維矩陣
  • 2.二維矩陣的一些運算
  • 3.将一維數組轉換成二維矩陣、n維張量
  • • 此時再看最大值函數中的axis參數
• 二、推廣到n維張量
• 三、合并運算 vstack，hstack和concatenate
• • 1. vstack、hstack
  • 2.concatenate合并
  • 3.多元以此類推 axis參數即可了解完畢

一、二維矩陣下的一些運算執行個體

1.建立一個二維矩陣

# create by plusleft ############
# 2020/11/30         ############

# 建立一個二維矩陣
# a_2：a是2維
a_2 = np.array([[1, 2],
                [4, 3],
                [5, 0]])
# 檢視矩陣以及shape形狀
print(a_2)
print('a_2.shape：', a_2.shape)
           

print

這裡shape的意思：

1. 兩個數字：二維
2. 第一個數3：第0個次元有三個元素（三行）
3. 第二個數2：第1個次元有兩個元素（兩列）

2.二維矩陣的一些運算

# create by plusleft ############
# 2020/11/30         ############

# 建立一個二維矩陣
a_2 = np.array([[1, 2],
                [4, 3],
                [5, 0]])
# 檢視矩陣以及shape形狀
print(a_2)
print('a_2.shape：', a_2.shape)
# a_2_max0：axis=0時的二維向量a的最大值
a_2_max0 = np.max(a_2, axis=0)
a_2_max1 = np.max(a_2, axis=1)
print('第0維的最大值：', a_2_max0)
print('第1維的最大值：', a_2_max1)
           

print

這裡求最大值時，axis=0 表示第0維，也就是多元張量的最外層，0-n依次從外向内。-1代表最内層。下面分析輸出：

1. axis=0：針對第0維操作，第0維有三個元素，是以每次從3個元素中選出最大值，将總維數-1.（針對行操作，選取出每行的最大值）
2. axis=1：針對第1維操作，第1維有兩個個元素，是以每次從2個元素中選出最大值，将總維數-1.（針對列操作，選取出每列的最大值）

3.将一維數組轉換成二維矩陣、n維張量

# create by plusleft ############
# 2020/11/30         ############

a_1 = np.array([1, 2, 3, 4, 0, 7, 5, 9])
print(a_1)
print('a_1.shape:', a_1.shape)
p_2 = a_1[:, np.newaxis]
q_2 = a_1[np.newaxis, :]
print(p_2)
print('p_2.shape:', p_2.shape)
print(q_2)
print('q_2.shape:', q_2.shape)

           

print

print解釋：

1. a_1.shape：一維向量的shape形狀
2. a_1.shape隻有一個數字：一維，數字8代表這個次元有8個元素
3. p_2 = a_1[:, np.newaxis]：在第1維增加一個次元，變為第0維8個元素，第一維1個元素。
4. q_2 = a_1[np.newaxis, :]：在第0維增加一個次元，變為第0維1個元素，原第0維變為第一維，一共8個元素。

此時再看最大值函數中的axis參數

# create by plusleft ############
# 2020/11/30         ############

a_1 = np.array([1, 2, 3, 4, 0, 7, 5, 9])
print(a_1)
print('a_1.shape:', a_1.shape)
p_2 = a_1[:, np.newaxis]
# q_2 = a_1[np.newaxis, :]
print(p_2)
print('p_2.shape:', p_2.shape)
# print(q_2)
# print('q_2.shape:', q_2.shape)
p_2_max0 = np.max(p_2, axis=0)
p_2_max1 = np.max(p_2, axis=1)
print('p_2_max0:', p_2_max0)
print('p_2_max1:', p_2_max1)
           

print

解釋：

1. axis=0時，從（8，1）這個二維向量中，針對第0維找最大值，第0維含有8個元素，是以每次從8個中尋找一個最大值。結束後降一維。
2. axis=1時，從（8，1）這個二維向量中，針對第1維找最大值，第1維含有1個元素，是以每次從1個中尋找一個最大值。結束後降一維。

二、推廣到n維張量

# create by plusleft ############
# 2020/11/30         ############
# a_n: n維向量a 這裡舉例取4
a_n = np.arange(1, 25).reshape(1, 2, 3, 4)
print('a_n:', a_n)
print('a_n.shape:', a_n.shape)
a_n_max0 = np.max(a_n, axis=0)
a_n_max1 = np.max(a_n, axis=1)
a_n_max2 = np.max(a_n, axis=2)
a_n_max3 = np.max(a_n, axis=3)
print('a_n_max0: ', a_n_max0)
print('a_n_max1: ', a_n_max1)
print('a_n_max2: ', a_n_max2)
print('a_n_max3: ', a_n_max3)
           

print

第3維同理

三、合并運算 vstack，hstack和concatenate

1. vstack、hstack

# create by plusleft ############
# 2020/11/30         ############
# numpy array 合并
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])  # 一維ab
c = np.vstack((a, b))  # vertical stack
d = np.hstack((a, b))  # horizontal stack
print('a b vstack:\n', c)
print('a b hstack:\n', d)


           

print

2.concatenate合并

# create by plusleft ############
# 2020/11/30         ############
# numpy array 合并
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])  # 一維ab
a = a[:, np.newaxis]  # 變成2維 第1次元增加
b = b[:, np.newaxis]  # 變成2維 第1次元增加
print(a, a.shape)
print(b, b.shape)
c = np.concatenate((a, b, b), axis=1)  # 第1次元元素疊加
d = np.concatenate((a, b, b), axis=0)  # 第0次元元素疊加
print('axis=1:\n', c)
print('axis=0:\n', d)

           

3.多元以此類推 axis參數即可了解完畢

歡迎交流機器學習、深度學習問題。