关于np.newaxis的使用规律

最新推荐文章于 2023-02-13 19:09:54 发布
原创 最新推荐文章于 2023-02-13 19:09:54 发布 · 1.4k 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。

本文详细解析了numpy中的np.newaxis使用方法及其如何改变数组维度。通过具体示例，展示了np.newaxis如何在数组的特定位置插入新轴，并与reshape方法进行了对比。

之前一直困惑np.newaxis的用法，每次遇到都一脸懵逼，网上特有不少博客对它的解释，不过大多都是举一些例子，乍一看还是不知所云，摸不着规律

博客https://blog.youkuaiyun.com/lanchunhui/article/details/49725065 中提到，np.newaxis与None等价，作用就是为numpy数组增加一个轴来改变数组维度

import numpy as np
type(np.newaxis)
NoneType
np.newaxis==None
True

接下来说一下np.newaxis是如何改变数组维度的：

首先，我们知道可以通过array的shape属性得到维度信息

a=np.array([[1,2,3],[4,5,6]])
print(a.shape)

(2, 3)

通过a[np.newaxis,:]或者a[:,np.newaxis]可以改变a的维度

a[np.newaxis,:]
array([[[1, 2, 3],
        [4, 5, 6]]])
a[:,np.newaxis]
array([[[1, 2, 3]],

       [[4, 5, 6]]])

根据np.newaxis出现的位置，在a.shape的对应位置insert一个1，得到的就是改变后的shape，例如

a[np.newaxis,:].shape
(1, 2, 3)
a[:,np.newaxis].shape
(2, 1, 3)
a[:,:,np.newaxis].shape
(2, 3, 1)

当然，也可以增加更多的axis，利用这个规律可以方便算出新的shape

a[np.newaxis,:,np.newaxis,:,np.newaxis].shape
(1, 2, 1, 3, 1)

而得到的新的数组就相当于原来的数组做了一次reshape

a[np.newaxis,:,np.newaxis,:,np.newaxis]
array([[[[[1],
          [2],
          [3]]],


        [[[4],
          [5],
          [6]]]]])
a.reshape((1, 2, 1, 3, 1))
array([[[[[1],
          [2],
          [3]]],


        [[[4],
          [5],
          [6]]]]])

    

   

  

 



                

        

    


  



    

      

        

            

              
                
                  mst9009
                
              
            

            

                关注
              
            

        

        

          
      

      










                



	

		

			

				
					
关于np.newaxis()函数的使用浅谈

				
			

			

				

					xiaoweids的博客
				

				

					07-07
					
					284
					
				

			

		

		

			
				
本文主要介绍了np.newaxis()函数的具体使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧。

			
		

	



                

            
              



	

		

			

				
					
Python语言OpenCV开发之使用OpenCV处理图像(下)

				
			

			

				

					基斯卡人lmy
				

				

					07-08
					
					2261
					
				

			

		

		

			
				
前言

本章内容继续上一节，因为内容比较多，所以分成了两节来讲述，都是和图像处理相关的，本节主要学习图像直方图，图像变换，模板匹配，分水岭算法等知识。



正文

1、 图像直方图 
通过图像直方图可以对整幅图像的灰度值有一个整体的了解，直方图的x轴是灰度值(0到255),y轴是图片中具有相同灰度值的点的数目。直方图就是对图像的另一种解释。通过直方图可以对图像的对比度，亮度，灰度分布等有一个直观...

			
		

	



              


  
              

                


	

		

			

				
					
np.newaxis的用法

				
			

			

				

					little_fat_sheep
				

				

					05-25
					
					2851
					
				

			

		

		

			
				
1 前言

np.newaxis的意思是给数组新增一个维度。“python中矩阵切片维数微秒变化”中介绍了矩阵切片有时候会降低矩阵维度，为保证维度不变，可以用np.newaxis新增一个维度。

2 numpy数组

2.1 一维数组


import numpy as np
 
a=np.array([1,2,3])

b=a[np.newaxis,:]
c=a[:,np.newaxis]

p...

			
		

	





	

		

			

				
					
numpy中newaxis的用法

				
			

			

				

					fourierr的博客
				

				

					06-07
					
					3991
					
				

			

		

		

			
				
newaxis顾名思义就是插入新维度的意思，比如原来是一维数剧变成二维数剧，原来是二维变成三维，python将二维数组变为三维数组的举例如下：x_data = np.linspace(-1,1,6)
a=x_data.reshape((2,3))
c = a[:,np.newaxis,:]
b = a[np.newaxis,:,:]
d = a[:,:,np.newaxis]

print(a.s...

			
		

	



		

			
		



	

		

			

				
					
关于python 中np.newaxis的用法

				
			

			

				

					goongoup的博客
				

				

					12-15
					
					2007
					
				

			

		

		

			
				
特别说明：
data = np.arange(100)
data_new = data[:,np.newaxis] # 这列中括号中的冒号是选取 data
这个数据中的数据，如果是直接【：，np.newaxis 】 就是选取全部数据做变换，如果是切片形式【：40， np.newaxis】这个是选取前40 行变形
参考链接：
https://blog.csdn.net/qq_31347869/article/details/89194410?utm_medium=distribute.pc_relevant_

			
		

	





	

		

			

				
					
【Python】np.newaxis()函数用法详解

				
			

			

				

					Danger的博客
				

				

					02-13
					
					7011
					
				

			

		

		

			
				
【Python】np.newaxis()函数用法详解

			
		

	





	

		

			

				
					
import numpy as np import matplotlib.pyplot as plt  # 设置模拟参数 num_boids = 50  # 粒子数 max_speed = 0.03  # 最大速度 max_force = 0.05  # 最大受力 neighborhood_radius = 0.2  # 邻域半径 separation_distance = 0.05  # 分离距离 alignment_distance = 0.1  # 对齐距离 cohesion_distance = 0.2  # 凝聚距离  # 初始化粒子位置和速度 positions = np.random.rand(num_boids, 2) velocities = np.random.rand(num_boids, 2) * max_speed  # 模拟循环 for i in range(1000):     # 计算邻域距离     distances = np.sqrt(np.sum(np.square(positions[:, np.newaxis, :] - positions), axis=-1))     neighbors = np.logical_and(distances > 0, distances < neighborhood_radius)      # 计算三个力     separation = np.zeros_like(positions)     alignment = np.zeros_like(positions)     cohesion = np.zeros_like(positions)      for j in range(num_boids):         # 计算分离力         separation_vector = positions[j] - positions[neighbors[j]]         separation_distance_mask = np.linalg.norm(separation_vector, axis=-1) < separation_distance         separation_vector = separation_vector[separation_distance_mask]         separation[j] = np.sum(separation_vector, axis=0)          # 计算对齐力         alignment_vectors = velocities[neighbors[j]]         alignment_distance_mask = np.linalg.norm(separation_vector, axis=-1) < alignment_distance         alignment_vectors = alignment_vectors[alignment_distance_mask]         alignment[j] = np.sum(alignment_vectors, axis=0)          # 计算凝聚力         cohesion_vectors = positions[neighbors[j]]         cohesion_distance_mask = np.linalg.norm(separation_vector, axis=-1) < cohesion_distance         cohesion_vectors = cohesion_vectors[cohesion_distance_mask]         cohesion[j] = np.sum(cohesion_vectors, axis=0)      # 计算总受力     total_force = separation + alignment + cohesion     total_force = np.clip(total_force, -max_force, max_force)      # 更新速度和位置     velocities += total_force     velocities = np.clip(velocities, -max_speed, max_speed)     positions += velocities      # 绘制粒子     plt.clf()     plt.scatter(positions[:, 0], positions[:, 1], s=5)     plt.xlim(0, 1)     plt.ylim(0, 1)     plt.pause(0.01)

				
			

			

				

					06-06
				

			

		

		

			
				
这段代码是一个基于群体智能的仿真模型，用于模拟粒子的运动行为。该模型使用numpy和matplotlib库来实现。主要步骤包括： ...该模型可以用于研究粒子运动的行为和规律，也可以用于模拟群体智能算法的效果。

			
		

	





	

		

			

				
					
class RobustPhysicsGenerator:
    def __init__(self, model, data_sys):
        self.model = model
        self.data_sys = data_sys
        self.original_phys_params = model.phys_layer.get_weights()
        
        # 新增生成控制参数
        self.alpha_base = 0.85     # 初始残差权重
        self.alpha_decay = 0.995   # 指数衰减系数
        self.min_alpha = 0.4       # 最小残差权重
        self.smoothing_factor = 0.2  # 平滑系数

    def generate(self, delta_sequence, true_psi_history, steps):
        # 归一化处理
        delta_norm = (delta_sequence - self.data_sys.train_delta_mean) / self.data_sys.train_delta_std
        psi_norm = (true_psi_history - self.data_sys.train_psi_mean) / self.data_sys.train_psi_std

        # 初始化滑动窗口
        window = np.column_stack([
            delta_norm[:Config.window_size],
            psi_norm[-Config.window_size:]
        ]).astype(np.float32)

        generated = []
        alpha = self.alpha_base  # 初始残差权重

        for t in range(steps):
            # 执行预测
            X = window[np.newaxis, ...]
            pred = self.model.predict(X, verbose=0).flatten()
            pred_norm = pred[0] if len(pred) >= 1 else 0.0

            # ==== 关键修改1：动态alpha计算 ====
            alpha = max(self.alpha_base * (self.alpha_decay ** t), self.min_alpha)
            
            # ==== 关键修改2：带平滑的预测融合 ====
            if generated:
                blended_pred = (alpha * pred_norm + 
                              (1 - alpha) * generated[-1])
            else:
                blended_pred = pred_norm
                
            # ==== 关键修改3：异常值处理 ====
            if abs(blended_pred) > 5.0:  # 超过3σ阈值
                blended_pred = 0.8 * generated[-1] + 0.2 * pred_norm
                
            # ==== 关键修改4：周期性参数重置 ====
            if t % 20 == 0:  # 每20步重置物理参数
                self.model.phys_layer.set_weights(self.original_phys_params)

            # 更新窗口
            new_row = np.array([
                delta_norm[Config.window_size + t],
                blended_pred  # 使用融合后的预测值
            ], dtype=np.float32)
            
            window = np.vstack([window[1:], new_row])
            generated.append(blended_pred)

        # 反归一化
        generated = np.array(generated) * self.data_sys.train_psi_std + self.data_sys.train_psi_mean
        
        # 后处理：应用低通滤波
        sos = butter(4, 0.2, output='sos')
        filtered = sosfilt(sos, generated)
        return filtered

					
最新发布

				
			

			

				

					03-12
				

			

		

		

			
				
 X = window[np.newaxis, ...]  pred = self.model.predict(X).flatten()    # 动态权重计算（关键修改1）  alpha = max(self.alpha_base * (self.alpha_decay ** t), self.min_alpha)    # 预测融合（关键修改2）  ...

			
		

	





	

		

			

				
					
Numpy对数组的操作：创建／变形(升降维等)／计算／取值／复制／分割／合并

				
			

			

				

					weixin_42969619的博客
				

				

					08-25
					
					4788
					
				

			

		

		

			
				
1. 简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab。
SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含...

			
		

	





	

		

			

				
					
python函数拟合不规则曲线_Python曲线拟合详解

				
			

			

				

					weixin_39659837的博客
				

				

					11-23
					
					2705
					
				

			

		

		

			
				
转一个超级详细的Python曲线拟合详解文章（怕以后找不到了），本栏目初学者不用细看，当手册查就好了。原文在这里：04.04 curve fitting，侵删。导入基础包：In [1]:import numpy as npimport matplotlib as mplimport matplotlib.pyplot as plt多项式拟合导入线多项式拟合工具：In [2]:from numpy ...

			
		

	





	

		

			

				
					
np.newaxis的使用方法

				
			

			

				

					StupidBUG_hah的博客
				

				

					05-25
					
					477
					
				

			

		

		

			
				
最近在学习机器学习的时候，学习到一个为一维数组添加维度的函数np.newaxis
import numpy as np
x = np.arange(10)
x

这是一个普通的一维数组，输出如下：
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

下面我们为其添加维度，有两种方式：
一、使每个元素作为一维
X = x[:, np.newaxis]
X

输出：
array([[0],
       [1],
       [2],
       [3],
       [4],


			
		

	





	

		

			

				
					
np.newaxis 为 numpy.ndarray（多维数组）增加一个轴

					
热门推荐

				
			

			

				

					
				

				

					11-08
					
					8万+
					
				

			

		

		

			
				
索引多维数组的某一列时返回的是一个行向量&gt;&gt;&gt; X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
&gt;&gt;&gt; X[:, 1]
array([2, 6, 10])       // 这里是一个行
&gt;&gt;&gt; X[:, 1].shape       // X[:, 1] 的用法完全等同于一个行，而不是一个列，
(3, )所以，

			
		

	





	

		

			

				
					
np.newaxis作用详解---超简单理解方式，通透

				
			

			

				

					THMAIL的博客
				

				

					12-07
					
					2万+
					
				

			

		

		

			
				
一、起始
np.newaxis的作用就是在这一位置增加一个一维，这一位置指的是np.newaxis所在的位置，举个例子如下。
x1 = np.array([1, 2, 3, 4, 5])
# the shape of x1 is (5,)
x1_new = x1[:, np.newaxis]
# now, the shape of x1_new is (5, 1)
# array([[1],
#        [2],
#        [3],
#        [4],
#        [5]])
x

			
		

	





	

		

			

				
					
python np.newaxis

				
			

			

				

					mameng1的博客
				

				

					01-18
					
					3万+
					
				

			

		

		

			
				
np.newaxis的功能是插入新维度，看下面的例子：

a=np.array([1,2,3,4,5])
print a.shape
print a
输出结果

(5,)
[1 2 3 4 5]
可以看出a是一个一维数组,

x_data=np.linspace(-1,1,300)[:,np.newaxis]
a=np.array([1,2,3,4,5])
b=a[np.

			
		

	





	

		

			

				
					
numpy.newaxis()函数、None

				
			

			

				

					weixin_40522801的博客
				

				

					05-31
					
					841
					
				

			

		

		

			
				
1np.newaxis

np.newaxis的作用是：在当前位置，插入一个新维度。np.newaxis 在使用和功能上等价于 None，其实就是 None 的一个别名。

1.1 一维数组


import numpy as np

a = np.arange(5) # a.shape=(5,)
b = a[np.newaxis, :] # b.shape=(1,5)
c = a[:,np.newaxis] # c.shape=(5,1)
d = a[:,np.newaxis,np.newaxis] #.

			
		

	





	

		

			

				
					
记录Python学习4：numpy中的axis参数

				
			

			

				

					weixin_51373514的博客
				

				

					10-09
					
					1108
					
				

			

		

		

			
				
python中axis参数

			
		

	





	

		

			

				
					
np.newaxis

				
			

			

				

					qq_44927883的博客
				

				

					12-31
					
					232
					
				

			

		

		

			
				
嗯，按照字面意思
newaxis(new axis) —>  new了一个axis(维度)
即
ar = np.arange(10)[:,np.newaxis]
#在axis=1方向上新增一个axis
输出：
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [...

			
		

	





	

		

			

				
					
np.newaxis的作用

				
			

			

				

					a857553315的博客
				

				

					07-01
					
					711
					
				

			

		

		

			
				
import numpy as np

x_data = np.linspace(0, 10, 10) 
print("x_data形状:", x_data.shape, "\nx_data值：", x_data)
x_data2 = x_data[:, np.newaxis]  # 将一维数组，转换为二维数组
print("\nx_data2形状:", x_data2.shape, "\...

			
		

	





	

		

			

				
					
np.newaxis使用心得

				
			

			

				

					weixin_44530236的博客
				

				

					03-29
					
					4277
					
				

			

		

		

			
				
最近对着sklearn文档练习机器学习（Machine Learning, ML），代码中遇到一个问题np.newaxis。


import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      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