【Numpy学习记录】np.transpose讲解

最新推荐文章于 2025-06-24 21:32:39 发布

原创最新推荐文章于 2025-06-24 21:32:39 发布 · 5k 阅读

CC 4.0 BY-SA版权

文章标签：

48 篇文章

订阅专栏

本文通过实例详细解析了NumPy库中np.transpose函数的功能及其用法，包括二维和多维矩阵的转置操作，并解释了参数axes的具体含义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

想了很久，决定还是追寻大神之路，开始写写博客，记录一下成长之路

废话不多说，我们开始讲正题： what is np.transpose?

1、首先看看二维矩阵：

import numpy as np


arr = np.arange(30).reshape(5, 6)
print(arr)
tran_arr = np.transpose(arr, axes=None)
print(tran_arr)

输出结果为：

[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]

[24 25 26 27 28 29]]

[[ 0 6 12 18 24]
[ 1 7 13 19 25]
[ 2 8 14 20 26]
[ 3 9 15 21 27]
[ 4 10 16 22 28]
[ 5 11 17 23 29]] 这个结果意料之中，很好理解，就是线性代数的转置矩阵

2、再看看多维（三维为例）矩阵

a.首先，要明确坐标问题

np.arange(12).reshape(2, 2, 3)

(2, 2, 3) 分别代表 d, h, w

我们不妨继续看看：

arr = np.arange(12).reshape(2, 2, 3)
print(arr[1, 0, 0])

输出结果为：

6 这下明白了吧，动手实践，多试几个

b. 接下来还要明白一个索引问题

我们看看代码：

arr = np.arange(12).reshape(2, 2, 3)
print(arr)
tran_arr = np.transpose(arr, (1, 0, 2))  # （1， 0， 2）即为上面所说的索引号
print(tran_arr)

输出结果：

[[[ 0 1 2]
[ 3 4 5]]

[[ 6 7 8]
[ 9 10 11]]]

[[[ 0 1 2]
[ 6 7 8]]

[[ 3 4 5]
[ 9 10 11]]]

这样就实现了转置矩阵，但是对于初学者这个例子恐怕远远不够理解，我们换个例子你就懂啦！

arr = np.arange(24).reshape(3, 4, 2)
print(arr)
tran_arr = np.transpose(arr, (1, 0, 2))
print(tran_arr)

输出结果：

[[[ 0 1]
[ 2 3]
[ 4 5]
[ 6 7]]

[[ 8 9]
[10 11]
[12 13]
[14 15]]

[[16 17]
[18 19]
[20 21]
[22 23]]]

[[[ 0 1]

[ 8 9]
[16 17]]

[[ 2 3]
[10 11]
[18 19]]

[[ 4 5]
[12 13]
[20 21]]

[[ 6 7]
[14 15]
[22 23]]]

上面的shape 由(3,4,2)变成了(4,3,2)，不就是因为索引号由（0,1,2）变成了（1,0,2）吗？

转置就是这么简单！