本站收集了一篇相关的编程文章，网友扈书云根据主题投稿了本篇教程内容，涉及到numpy增加维度、numpy删除维度、numpy增加维度、删除维度相关内容，已被732网友关注，如果对知识点想更进一步了解可以在下方电子资料中获取。
numpy增加维度、删除维度
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
先来看看如何增加一个维度：
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]
总的来说还是比较简单的。
到此这篇关于numpy增加维度、删除维度的方法的文章就介绍到这了,更多相关numpy增加维度、删除维度内容请搜索码农之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持码农之家！
