numpy 中高维数组关于 axis 的理解

原创 已于 2024-09-29 12:31:46 修改 · 275 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #numpy #机器学习

于 2024-09-29 11:54:01 首次发布
a = np.ones((2, 3, 4), dtype=int)
a.sum(axis=0)
a.sum(axis=1)
a.sum(axis=2)

实际上，axis 的逻辑可理解为如下：

a.sum(axis=0) 等价于 a[0, :, :] + a[1, :, :]

a.sum(axis=1) 等价于 a[:, 0, :] + a[:, 1, :] + a[:, 2, :]

a.sum(axis=2) 等价于 a[:, :, 0] + a[:, :, 1] + a[:, :, 2] + a[:, :, 3]

例如 axis = 2，表示把数组第 2 个维度上的所有切片进行 sum() 操作，大概就是这个意思。

python 中 np.sum()函数 通俗易懂理解！
rifengxxc的博客
07-12 8万+
python numpy数组sum函数
NumPy中高维数组可视化理解
studyeboy的专栏
12-10 1953
基础知识 NumPy中的ndarray对象是多维度的同数据类型的数组。 秩（rank）（ndarray.ndim） 轴的数量，或者维度的数量，是一个标量。 数组维度（ndarray.shape） 是一个元组，描述了每个维度中数组的大小。相对于一个矩阵来说，shape表示的就是n行m列。元组的长度，等价于轴/维度的个数，即秩的值。 设置axis时的计算原理 创建数组 输出的结果为3通道，4行，2列 对应关系 numpy创建数组时，每增加一个[]表示增加一个维度，一个[]可以看成一个完整
numpy中sum函数求和时参数axis=0和axis=1的含义
jinking01的专栏
05-27 6615
简单来说，对于一个m*n的矩阵，如果sum（）的参数中没有指定axis，就是将所有的数值加到一起，得到1*1的标量。如果是axis=0，就是按照列进行加，得到一个1*n的行向量；如果axis=1，表示矩阵每一个行相加，得到一个m*1的列向量。 例如： import numpy as np np.sum([[0,1,2],[2,1,3],axis=1) 结果就是：array（[3,6]） a = np.array([[0, 2, 1]]) print a.sum() print a.sum(axi
python sum()函数和.sum(axis=0)函数的使用
热门推荐
u012005313的专栏
10-15 3万+
参考： http://www.cnblogs.com/yyxayz/p/4033736.html http://www.pythontab.com/html/2013/pythonjichu_0918/568.html 《Machine Learning in Action》第二章 ##################################################
numpy中的sum函数如何区分axis=0和axis=1
weixin_44481261的博客
05-08 255
numpy的sum函数，区分axis=0和axis=1
Python sum()函数和.sum(axis=0)函数
h_q_hhqh的博客
06-13 833
sum(axis=0)函数是NumPy库中数组对象的一个方法，用于沿着指定的轴（axis）对数组进行求和。当axis=0时，它对列进行求和。是Python的内置函数，用于计算数字序列（如列表、元组）的总和。如果不提供参数，它会计算序列中所有元素的总和。
避免使用for循环操作高维数组:numpy.apply_along_axis用法
douhuanmin123的博客
06-06 407
针对每个元素，取到第一个元素就是对应的字符串，替换成j后才能正常的从str对象转换成np.complex复数对象，然后才能使用绝对值进行操作。设想我有一列高维向量，读取之后的数据都是字符串变量，我需要把这些字符串数据转换为复数之后求绝对值。参数从左到右依次是，需要应用到对应元素的函数，操作的维度，被操作的numpy数组对象。在使用pd.read_csv()读取数据之后，将这一列数据转换为numpy数组。打印形状之后发现正常工作，比写for循环更加可读。
Python面试题：使用NumPy进行高效数组运算
杰哥在此的专栏
07-23 373
NumPy 是 Python 中进行高效数组运算的基础库。以下是一些示例，展示了如何使用 NumPy 进行高效的数组运算，包括创建数组、数组操作、数学运算以及一些高级操作。
pytorch_numpy高维数组
IMchg的博客
11-27 1254
https://www.runoob.com/numpy/numpy-array-manipulation.html 高维数组切片 [,2] https://www.cnblogs.com/mengxiaoleng/p/11616869.html 数组中的省略号 https://blog.csdn.net/weixin_41637329/article/details/88362345 https://blog.csdn.net/qq_33363973/article/details/79894982 .
Numpy中高维axis的操作个人理解
lsjmax的博客
11-15 765
Numpy中维数 numpy能够实现高维矩阵的运算，但是当维数超过3后，就能难理解根据某个轴进行运算的操作过程（太抽象了）。二维矩阵，就是有行和列，axis=0，对应是行，axis=1，对应是列，通过2个下标确定具体某个元素的位置，三维则需要三个下标确定某个元素的位置。 Numpy维度的直观理解 对应三维矩阵，那么里面的具体的元素是被三个[]所包围的，最外层[]对应于axis=0，即第一维，次外层...
Python中关于axis轴的问题
weixin_44526168的博客
05-21 925
最近在学沐神的动手学深度学习，在学线性代数篇时遇到了这个小问题。 总的来说，axis是轴的意思，1表示横轴，方向从左到右；0表示纵轴，方向从上到下。 接下来下看一下代码 先看二维数组 A = torch.arange(12).reshape(3,4) print(A) A_sum_axis0 = A.sum(axis=0) A_sum_axis0, A_sum_axis0.shape axis=0的情况下，sum函数就将第一个行维度3进行压缩。对3个行向量中的每个相对应的标量...
numpy 中sum(axis=0), 对axis的理解
Cpp_download的博客
08-25 2738
sum函数中的axis 相当于去除axis指定的那个维度。 例如：a维度是(2,3,4)，则a.sum(axis=0) 结果为(3,4) a.sum(axis=1)结果为(2,4)。 即除了axis指定的那个维度外，其它维度索引值相同就累加。 def dfs_index(a, dim, index, outlist): ''' get all indexs for ...
pytorch框架中，sum()函数中axis = 的理解
weixin_57618757的博客
04-05 2319
首先创建一个三维张量。 A = torch.arange(20*2,dtype=torch.float32).reshape(2, 5, 4) A.shape, A.sum(), A 输出的结果为。 (torch.Size([2, 5, 4]), tensor(780.), tensor([[[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [12.,
深度学习笔记 —— 线性代数
LightInDarkness的博客
01-30 584
线性代数实现： 1.标量由只有一个元素的的张量表示 import torch x = torch.tensor([3.0]) y = torch.tensor([2.0]) 2.可以将向量视为标量值组成的列表 x = torch.arange(4) # 通过张量的索引来访问任一元素 x[3] 3.访问张量的长度 x = tensor.arange(4) len(x) Output: 4 只有一个轴的张量，形状只有一个元素 x.shape Output: torch.Siz
深度学习——基础知识：线性代数
平什么阿的博客
08-31 1014
文章目录一.标量和向量二. 矩阵三. 张量及其算法性质四. 降维 一.标量和向量 标量由只有一个元素的张量表示。 import torch x = torch.tensor([3.0]) y = torch.tensor([2.0]) x + y, x * y, x / y, x**y (tensor([5.]), tensor([6.]), tensor([1.5000]), tensor([9.])) 向量视为标量值组成的列表。 x = torch.arange(4) x tensor([0
李沐动手学深度学习：05 线性代数（矩阵、张量、范数）
m0_45521766的博客
08-14 706
深度学习基础知识（李沐动手学深度学习第五节线性代数）
动手学深度学习Day02
南邮在读本科生的博客
01-16 385
动手学深度学习Day02
python中的sum函数.sum(axis=1)
weixin_30577801的博客
10-18 919
看起来挺简单的样子，但是在给sum函数中加入参数。sum（a，axis=0）或者是.sum(axis=1) 就有点不解了 在我实验以后发现 我们平时用的sum应该是默认的axis=0 就是普通的相加 而当加入axis=1以后就是将一个矩阵的每一行向量相加 例如： import numpy as np np.sum([[0,1,2],[2,1,3],axis=1)...
numpy中sum(axis=1)与sum(axis=0)的区别
like4501的博客
03-29 7924
import numpy a = numpy.array([ [[5,10,15], [10,20,30], [20,40,60]], [[5,10,15], [10,20,30], [20,40,60]] ]) #按行相加，此时第一、二行都是[5,10,15],[10,20,30],[20,40,60] b = a.sum(axis=1)...
高维数组如何应用numpy的*算法
最新发布
04-15
<think>好的，我需要帮助用户了解如何使用NumPy处理高维数组。首先，用户的问题是关于操作方法和算法，所以我应该涵盖创建、索引、运算、降维、排序和性能优化等方面。 首先，创建高维数组。用户可能想知道如何生成3D或更高维的数组。引用中的例子提到了使用np.array()和reshape方法，比如np.arange(24).reshape(2,3,4)，这样能生成一个三维数组。需要提到这种方法，并引用相关引用[3]中的内容，说明索引方式。 然后是索引和切片。高维数组的索引可能让用户困惑，尤其是多个轴的操作。需要举例说明如何访问不同维度的元素，比如arr3d[1, 0, 2]，并解释轴的含义。引用[3]提到索引对应(z,y,x)，需要指出这一点。 接下来是基本运算，如形状操作和轴操作。reshape和transpose函数很重要，尤其是调整数组形状和转置。用户可能需要改变数组维度以适应不同的计算需求。同时，数学运算如sum、mean等，尤其是按轴计算。引用[2]中的np.mean函数，说明axis参数的作用，比如axis=0表示沿第一个维度计算平均值，并注意keepdims参数的作用，保持维度不变。 降维处理也是关键部分。使用np.squeeze去除单一维度，或者使用flatten和ravel进行扁平化处理。需要区分flatten和ravel的不同，前者返回拷贝，后者返回视图。 排序和查找方面，np.sort和np.argsort在高维数组中的行为，特别是沿不同轴排序。引用[4]提到了排序后的搜索优化，可以提到searchsorted方法，但注意要先排序。 性能优化部分需要强调向量化操作的重要性，避免Python循环。同时，内存布局如C顺序和F顺序的影响，以及使用np.einsum进行高效矩阵运算。 用户可能还关心实际应用中的问题，比如如何处理图像数据（3D或4D数组），或者自然语言处理中的词向量（3D）。结合引用中的例子，说明这些场景下的数组操作。 最后，确保回答结构清晰，分点说明，并正确引用站内资料。检查是否有遗漏的部分，比如广播机制，或者更高级的函数如einsum的应用。需要覆盖用户可能遇到的主要操作，同时提供足够例子帮助理解。</think>### 使用NumPy操作高维数组的方法与算法 #### 1. **高维数组的创建与结构** - **创建方法**：通过嵌套列表或`np.arange`结合`reshape`生成高维数组： ```python import numpy as np # 创建3维数组（2层3行4列） arr3d = np.arange(24).reshape(2, 3, 4) ``` 索引维度对应`(z, y, x)`，例如`arr3d[1, 0, 2]`表示第1层的第0行第2列[^3]。 - **特殊函数**：使用`np.zeros`、`np.ones`初始化高维数组： ```python # 创建3维零数组（形状：3x2x5） arr = np.zeros((3, 2, 5)) ``` #### 2. **索引与切片** - **基础操作**： ```python # 提取第0层的所有行 layer0 = arr3d[0, :, :] # 沿z轴切片（取所有层的第1行） sliced = arr3d[:, 1, :] ``` - **布尔索引**： ```python # 筛选大于5的元素 filtered = arr3d[arr3d > 5] ``` #### 3. **形状操作与轴运算** - **重塑形状**：使用`reshape`或`transpose`调整维度顺序： ```python # 将3维数组转为2维（合并前两个维度） reshaped = arr3d.reshape(6, 4) # 转置轴顺序（z轴移至最后） transposed = arr3d.transpose(1, 2, 0) ``` - **沿轴计算**：通过`axis`参数指定操作方向： ```python # 沿第0轴（z轴）求和（结果形状：3x4） sum_z = np.sum(arr3d, axis=0) # 沿第1轴（y轴）求均值（结果形状：2x4） mean_y = np.mean(arr3d, axis=1, keepdims=True) # 保持维度[^2] ``` #### 4. **降维与扁平化** - **去除单维度**：`np.squeeze`可删除长度为1的轴： ```python # 输入形状(2,1,3)，输出形状(2,3) squeezed = np.squeeze(arr3d[:, np.newaxis, :]) ``` - **扁平化**：`flatten`（拷贝）或`ravel`（视图）转换为一维： ```python flat_arr = arr3d.flatten() ``` #### 5. **排序与查找** - **沿轴排序**： ```python # 沿最后一轴（x轴）排序 sorted_x = np.sort(arr3d, axis=-1) # 获取排序后的索引 indices = np.argsort(arr3d, axis=1) ``` 排序后可使用`np.searchsorted`进行高效搜索[^4]。 #### 6. **性能优化技巧** - **向量化操作**：避免循环，直接使用数组运算： ```python # 向量化加法比循环快100倍 arr3d += 10 ``` - **内存布局优化**：使用`order='C'`（行优先）或`order='F'`（列优先）控制存储方式： ```python arr = np.array(data, order='F') ``` - **爱因斯坦求和**：`np.einsum`实现复杂张量运算： ```python # 计算三维数组沿z轴的矩阵乘法 result = np.einsum('ijk,ikl->ijl', arr3d, arr3d) ``` #### 7. **典型应用场景** - **图像处理**：RGB图像存储为`(height, width, 3)`的三维数组。 - **自然语言处理**：批次文本的词向量可表示为`(batch_size, seq_length, embedding_dim)`。 - **科学计算**：物理场模拟数据可能为四维`(time, x, y, z)`。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值