Como está o numpy?newaxis funciona e quando usá-lo?
Quando tento
numpy.newaxis
o resultado dá-me uma moldura de 2-d com o eixo x de 0 a 1. No entanto, quando tento usar numpy.newaxis
para cortar um vector,
vector[0:4,]
[ 0.04965172 0.04979645 0.04994022 0.05008303]
vector[:, np.newaxis][0:4,]
[[ 0.04965172]
[ 0.04979645]
[ 0.04994022]
[ 0.05008303]]
é a mesma coisa excepto que muda um vector de linha para um vector de coluna?
de um modo geral, Qual é a utilidade de numpy.newaxis
, e em que circunstâncias devemos usá-lo?
4 answers
Simplificando, o newaxis
é usado para aumentar a dimensão da matriz existente por mais uma dimensão, quando usado depois. Assim,
A matriz 1D tornar-se-á 2D
O array 2D tornar-se-á matriz 3D
A matriz 3D tornar-se-á 4D
Cenário-1: np.newaxis
pode vir a calhar quando você quer explicitamente converte um array 1D para um linha do vetor ou vetor coluna, como mostrado na imagem acima.
Exemplo:
# 1D array
In [7]: arr = np.arange(4)
In [8]: arr.shape
Out[8]: (4,)
# make it as row vector by inserting an axis along first dimension
In [9]: row_vec = arr[np.newaxis, :]
In [10]: row_vec.shape
Out[10]: (1, 4)
# make it as column vector by inserting an axis along second dimension
In [11]: col_vec = arr[:, np.newaxis]
In [12]: col_vec.shape
Out[12]: (4, 1)
Cenário-2: Quando queremos fazer uso da [[[91]}numpy broadcasting Como parte de alguma operação, por exemplo, ao fazer adição de algumas matrizes.
Exemplo:
Digamos que quer adicionar as duas seguintes matrizes: x1 = np.array([1, 2, 3, 4, 5])
x2 = np.array([5, 4, 3])
Se você tentar adicionar estes exatamente como este, NumPy vai levantar o seguinte ValueError
:
ValueError: operands could not be broadcast together with shapes (5,) (3,)
Nesta situação, pode usar np.newaxis
aumentar a dimensão de uma das matrizes para que o NumPy possa transmitir.
In [2]: x1_new = x1[:, np.newaxis]
# now, the shape of x1_new is (5, 1)
# array([[1],
# [2],
# [3],
# [4],
# [5]])
Agora, adicione:
In [3]: x1_new + x2
Out[3]:
array([[ 6, 5, 4],
[ 7, 6, 5],
[ 8, 7, 6],
[ 9, 8, 7],
[10, 9, 8]])
Em alternativa, também pode adicionar um novo eixo ao
In [124]: arr = np.arange(5*5).reshape(5,5)
In [125]: arr.shape
Out[125]: (5, 5)
# promoting 2D array to a 5D array
In [126]: arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis]
In [127]: arr_5D.shape
Out[127]: (1, 5, 5, 1, 1)
Mais informações sobre np.newaxis vs np.remodelar
newaxis
é também chamado como um pseudo-índice que permite a adição temporária de um eixo em um multi-array.
np.newaxis
usa o operador de corte para recriar a matriz enquanto np.reshape
reformula a matriz para o layout desejado (supondo que as dimensões de correspondência; E esta é a deve para um reshape
para acontecer).
Exemplo
In [13]: A = np.ones((3,4,5,6))
In [14]: B = np.ones((4,6))
In [15]: (A + B[:, np.newaxis, :]).shape
Out[15]: (3, 4, 5, 6)
No exemplo acima, inserimos um eixo temporário entre o primeiro e o segundo eixos de B
(para usar a radiodifusão). Um eixo em falta é preenchido aqui usando np.newaxis
fazer com que a operação de radiodifusão funcione.
Dica Geral: Você também pode usar None
em lugar de np.newaxis
; Estes são, na verdade, o mesmos objetos.
In [13]: np.newaxis is None
Out[13]: True
P. S. resposta: newaxis vs remodelação para adicionar dimensões
Você poderia então usar essa matriz para multiplicação de matriz, ou envolvê-la na construção de uma matriz 4 x n Maior.
O np.newaxis
é apenas um nome falso para a constante de Python None
, o que significa que onde quer que use np.newaxis
também pode usar None
:
>>> np.newaxis is None
True
É apenas mais descritivo se você ler o código que usa np.newaxis
em vez de None
.
Como utilizar np.newaxis
?
O {[8] } é geralmente utilizado com corte. Ele indica que você quer adicionar uma dimensão adicional ao array. A posição do np.newaxis
representa onde quero adicionar dimensao.
>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.shape
(10,)
No primeiro exemplo, Uso todos os elementos da primeira dimensão e adiciono uma segunda dimensão:
>>> a[:, np.newaxis]
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
>>> a[:, np.newaxis].shape
(10, 1)
O segundo exemplo adiciona uma dimensão como a primeira dimensão e, em seguida, usa todos os elementos de a primeira dimensão da matriz original, como elementos na segunda dimensão da matriz de resultado:
>>> a[np.newaxis, :] # The output has 2 [] pairs!
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
>>> a[np.newaxis, :].shape
(1, 10)
Da mesma forma, pode usar o múltiplo np.newaxis
para adicionar várias dimensões:
>>> a[np.newaxis, :, np.newaxis] # note the 3 [] pairs in the output
array([[[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]]])
>>> a[np.newaxis, :, np.newaxis].shape
(1, 10, 1)
Existem alternativas a np.newaxis
?
Há outro. funcionalidade muito semelhante em NumPy: np.expand_dims
, que também pode ser usado para inserir uma dimensão:
>>> np.expand_dims(a, 1) # like a[:, np.newaxis]
>>> np.expand_dims(a, 0) # like a[np.newaxis, :]
Mas dado que ele apenas insere 1
s no shape
Você também pode {[23] } a matriz para adicionar estas dimensões:
>>> a.reshape(a.shape + (1,)) # like a[:, np.newaxis]
>>> a.reshape((1,) + a.shape) # like a[np.newaxis, :]
A maioria das vezes np.newaxis
é a maneira mais fácil de adicionar dimensões, mas é bom saber as alternativas.
Quando utilizar np.newaxis
?
Em vários contextos está a adicionar dimensões úteis:
Se os dados ter um número especificado de dimensões. Por exemplo, se quiser usar
matplotlib.pyplot.imshow
para mostrar uma lista 1D.Se quiseres que o NumPy transmita os arrays. Adicionando uma dimensão, você pode, por exemplo, obter a diferença entre todos os elementos de um array:
a - a[:, np.newaxis]
. Isto funciona porque as operações NumPy transmitem a partir da última dimensão 1.Adicionar uma dimensão necessária para que o NumPy possa transmitir matrizes. Isto funciona porque cada comprimento-1 a dimensão é simplesmente transmitida ao comprimento do correspondente1 dimensão da outra matriz.
1 se quiser ler mais sobre as regras de radiodifusão, a documentação sobre esse assunto é muito boa. Também inclui um exemplo com np.newaxis
:
>>> a = np.array([0.0, 10.0, 20.0, 30.0]) >>> b = np.array([1.0, 2.0, 3.0]) >>> a[:, np.newaxis] + b array([[ 1., 2., 3.], [ 11., 12., 13.], [ 21., 22., 23.], [ 31., 32., 33.]])
newaxis
o objecto na tupla de selecção serve para expandir as dimensões da selecção resultante por uma unidade de comprimento dimensão.
Não é apenas a conversão da matriz da linha para a matriz da coluna.
Considere o exemplo abaixo:
In [1]:x1 = np.arange(1,10).reshape(3,3)
print(x1)
Out[1]: array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
Agora vamos adicionar uma nova dimensão aos nossos dados.
In [2]:x1_new = x1[:,np.newaxis]
print(x1_new)
Out[2]:array([[[1, 2, 3]],
[[4, 5, 6]],
[[7, 8, 9]]])
Você pode ver que newaxis
adicionou a dimensão extra aqui, x1 tinha dimensão (3,3) e X1_new tem dimensão (3,1,3).
In [3]:x2 = np.arange(11,20).reshape(3,3)
print(x2)
Out[3]:array([[11, 12, 13],
[14, 15, 16],
[17, 18, 19]])
Adicionando x1_new e x2, temos:
In [4]:x1_new+x2
Out[4]:array([[[12, 14, 16],
[15, 17, 19],
[18, 20, 22]],
[[15, 17, 19],
[18, 20, 22],
[21, 23, 25]],
[[18, 20, 22],
[21, 23, 25],
[24, 26, 28]]])
Assim, newaxis
não é apenas a conversão da linha para a matriz da coluna. Aumenta a dimensão da matriz, permitindo-nos assim fazer mais Operações sobre ela.