个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
26
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章给numpy.array增加维度的超简单方法由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
|
1
2
3
|
import
numpy as np
a
=
np.array([
1
,
2
,
3
])
print
(a)
|
输出结果:
array([1, 2, 3]) 。
|
1
|
print
(a[
None
])
|
输出结果:
array([[1, 2, 3]]) 。
|
1
|
print
(a[:,
None
])
|
输出结果:
array([[1], [2], [3]]) 。
使用np.expand_dims()为数组增加指定的轴,np.squeeze()将数组中的轴进行压缩减小维度.
在操作数组情况下，需要按照某个轴将不同数组的维度对齐，这时候需要为数组添加维度(特别是将二维数组变成高维张量的情况下).
numpy提供了expand_dims()函数来为数组增加维度:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
import
numpy as np
a
=
np.array([[
1
,
2
],[
3
,
4
]])
a.shape
print
(a)
>>>
"""
(2L, 2L)
[[1 2]
[3 4]]
"""
# 如果需要在数组上增加维度,输入需要增添维度的轴即可，注意index从零还是
a_add_dimension
=
np.expand_dims(a,axis
=
0
)
a_add_dimension.shape
>>> (
1L
,
2L
,
2L
)
a_add_dimension2
=
np.expand_dims(a,axis
=
-
1
)
a_add_dimension2.shape
>>> (
2L
,
2L
,
1L
)
a_add_dimension3
=
np.expand_dims(a,axis
=
1
)
a_add_dimension3.shape
>>> (
2L
,
1L
,
2L
)
|
在数组中会存在很多轴只有1维的情况，可以使用squeeze函数来压缩冗余维度 。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
b
=
np.array([[[[
5
],[
6
]],[[
7
],[
8
]]]])
b.shape
print
(b)
>>>
"""
(1L, 2L, 2L, 1L)
array([[[[5],
[6]],
[[7],
[8]]]])
"""
b_squeeze
=
b.squeeze()
b_squeeze.shape
>>>(
2L
,
2L
)
#默认压缩所有为1的维度
b_squeeze0
=
b.squeeze(axis
=
0
)
#调用array实例的方法
b_squeeze0.shape
>>>(
2L
,
2L
,
1L
)
b_squeeze3
=
np.squeeze(b, axis
=
3
)
#调用numpy的方法
b_squeeze3.shape
>>>(
1L
,
2L
,
2L
)
|
以上为个人经验，希望能给大家一个参考，也希望大家多多支持我.
原文链接：https://blog.csdn.net/whyume/article/details/79900457 。
最后此篇关于给numpy.array增加维度的超简单方法的文章就讲到这里了,如果你想了解更多关于给numpy.array增加维度的超简单方法的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
26
4
0
作为脚本的输出，我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)？ 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现？ (正如 user2357112 所指出的，我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此，我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意，我仅限于 numpy，无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中，我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗？或者任何数字都可以吗？选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容，处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB，我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意，我仅限于 numpy，无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成，例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式，我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索，这与堆栈中之前的其他问题不同，因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同，但与 M1 任何其他行中的数组形状不同。 也就是说， M1 = [ [
如何使用爱因斯坦表示法编写以下点积？ import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以，我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000)，其中只有对角线填充了数据，而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组？ 到目前为止，我发现
我是一名优秀的程序员,十分优秀！