NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


NumPy - 向数组插入轴

在 NumPy 中向数组插入轴

向 NumPy 数组插入轴是指向现有数组添加新维度。当您需要对齐数据以进行广播、重塑数组以进行特定操作,或添加新维度以方便堆叠或连接等操作时,此功能尤其有用。

用于此目的的主要函数是 np.expand_dims(),该函数在指定位置添加新轴。

使用 expand_dims() 函数插入轴

NumPy 中的 np.expand_dims() 函数用于向现有数组插入新轴(维度),从而增加其维度。语法如下:

numpy.expand_dims(a, axis)

其中:

  • a: 为输入数组。
  • axis: 为新轴在维度中插入的位置。

示例

在下面的示例中,我们首先创建一个一维数组。使用 np.expand_dims() 函数,我们在位置 1 处添加一个新轴,将数组转换为二维列向量 -

import numpy as np

# 创建一维 NumPy 数组
arr = np.array([1, 2, 3, 4])

# 添加新轴以创建二维列向量
expanded_arr = np.expand_dims(arr, axis=1)

print("原始数组:
", arr)
print("添加新轴后的数组:
", expanded_arr)

以下是得到的输出 -

原始数组:
[1 2 3 4]
添加新轴后的数组:
[[1]
[2]
[3]
[4]]

插入轴创建高维数组

插入轴创建高维数组意味着向现有数组添加新维度,从而改变其形状。此过程允许您扩展数组,例如,从一维扩展为二维,或从二维扩展为三维。

这对于广播或重塑数据以满足特定需求等操作非常有用。

示例

在本例中,我们使用 np.expand_dims() 函数添加两个新轴,将一维 NumPy 数组扩展为三维数组 -

import numpy as np

# 创建一维 NumPy 数组
arr = np.array([1, 2, 3])

# 添加两个新轴以创建三维数组
expanded_arr = np.expand_dims(arr, axis=(0, 2))

print("原始数组:
", arr)
print("包含新轴的三维数组:
", expanded_arr)
print("三维数组的形状:", expanded_arr.shape)

这将产生以下结果−

原始数组:
[1 2 3]
包含新轴的三维数组:
[[[1]
[2]
[3]]]
三维数组的形状:(1, 3, 1)

使用"None"或"np.newaxis"索引插入轴

插入轴的另一种方法是使用Nonenp.newaxis索引。这种方法通常因其代码简洁性和可读性而被广泛使用。

通过使用"None"或"np.newaxis"索引,您可以将一维数组扩展为二维或三维数组,或根据需要调整形状。

示例

在下面的示例中,我们通过使用 np.newaxis 索引添加一个新轴,将一维 NumPy 数组转换为二维行向量 -

import numpy as np

# 创建一维 NumPy 数组
arr = np.array([1, 2, 3, 4])

# 添加新轴以创建二维行向量
row_vector = arr[:, np.newaxis]

print("原始数组:
", arr)
print("二维行向量:
", row_vector)

以下是上述代码的输出 -

原始数组:
[1 2 3 4]
二维行向量:
[[1]
[2]
[3]
[4]]

合并多个带有插入轴的数组

合并多个带有插入轴的数组需要为每个数组添加新的维度,以便它们在连接或堆叠时能够正确对齐。

通过插入轴,可以确保不同形状的数组可以连接在一起。这种技术可以灵活地处理数据并执行各种操作。

示例

在下面的示例中,我们为每个一维数组添加一个新轴,以将它们转换为二维行向量。然后,我们沿轴 0 连接这些行向量,得到一个二维数组,其中每个原始数组现在都是单独的一行 -

import numpy as np

# 创建两个一维数组
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# 添加新轴以创建二维行向量
arr1_expanded = arr1[np.newaxis, :]
arr2_expanded = arr2[np.newaxis, :]

# 沿轴 0 连接行向量
combined_arr = np.concatenate([arr1_expanded, arr2_expanded], axis=0)

print("Array 1 with New轴:
", arr1_expanded)
print("包含新轴的数组 2:
", arr2_expanded)
print("组合数组:
", combined_arr)

输出结果如下 -

包含新轴的数组 1:
[[1 2 3]]
包含新轴的数组 2:
[[4 5 6]]
组合数组:
[[1 2 3]
 [4 5 6]]