如下所示：

>> type(np.newaxis)NoneType>> np.newaxis == NoneTrue

np.newaxis 在使用和功能上等價于 None，查看源碼發現：newaxis = None，其實就是 None 的一個別名。

1. np.newaxis 的實用

>> x = np.arange(3)>> xarray([0, 1, 2])>> x.shape(3,)>> x[:, np.newaxis]array([[0],    [1],    [2]])>> x[:, None]array([[0],    [1],    [2]])>> x[:, np.newaxis].shape (3, 1)

2. 索引多維數組的某一列時返回的是一個行向量

>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])>>> X[:, 1]array([2, 6, 10])    % 這里是一個行>>> X[:, 1].shape    % X[:, 1] 的用法完全等同于一個行，而不是一個列，(3, )

如果我們索引多維數組的某一列時，返回的仍然是列的結構，一種正確的索引方式是：

>>>X[:, 1][:, np.newaxis]array([[2],   [6],   [10]])

如果想實現第二列和第四列的拼接（層疊）：

>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]])                % hstack：horizontal stack，水平方向上的層疊>>>X_subarray([[2, 4]   [6, 8]   [10, 12]])

當然更為簡單的方式還是使用切片：

>> X[:, [1, 3]]array([[ 2, 4],    [ 6, 8],    [10, 12]])

3. 使用 np.expand_dims

>> X = np.random.randint(0, 9, (2, 3))>> mean_X = np.mean(X, axis=0)>> X - mean_X           # 這樣做是沒有問題的>> mean_X = np.mean(X, axis=1)>> X - mean_XValueError: operands could not be broadcast together with shapes (2,3) (2,)

此時便需要手動的調整 mean_X 的維度，使其能夠 broadcast，有以下三種方式，在指定的軸上進行 broadcast：

mean_X[:, None]

mean_X[:, np.newaxis]

mean_X = np.expand_dims(mean_X, axis=1)

以上這篇np.newaxis 實現為 numpy.ndarray(多維數組)增加一個軸就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林網之家。