私がしようとすると
numpy.newaxisその結果、x軸が0から1の2次元プロットフレームが得られます。しかし、numpy.newaxisベクトルをスライスするのに
vector[0:4,]
[ 0.04965172 0.04979645 0.04994022 0.05008303]
vector[:, np.newaxis][0:4,]
[[ 0.04965172]
[ 0.04979645]
[ 0.04994022]
[ 0.05008303]]行ベクトルを列ベクトルに変更すること以外は同じですか？
一般的に、の使用方法は何numpy.newaxisですか？また、どのような状況で使用する必要がありますか？
回答:
簡単に言えば、numpy.newaxisするために使用される寸法を増加することで、既存のアレイのを1つの以上のディメンションを使用する場合、一度。したがって、
1D配列は2D配列になります
2D配列は3D配列になります
3D配列は4D配列になります
4D配列は5D配列になります
等々..
これは、1Dアレイから2Dアレイへの昇格を示す視覚的なイラストです。
シナリオ1：np.newaxisあなたがしたいときに便利になるかもしれない、明示的にどちらかに1次元配列に変換する行ベクトルまたは列ベクトル上の写真に示すように、。
例：
# 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, :] # arr[None, :]
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] # arr[:, None]
In [12]: col_vec.shape
Out[12]: (4, 1)シナリオ2：いくつかの配列の追加を行うときなど、いくつかの操作の一部としてnumpyブロードキャストを利用したい場合。
例：
次の2つの配列を追加するとします。
x1 = np.array([1, 2, 3, 4, 5])
x2 = np.array([5, 4, 3])これらを同じように追加しようとすると、NumPyは以下を発生させますValueError。
ValueError: operands could not be broadcast together with shapes (5,) (3,)この状況でnp.newaxisは、NumPyがをブロードキャストできるように、を使用して配列の1つの次元を増やすことができます。
In [2]: x1_new = x1[:, np.newaxis] # x1[:, None]
# now, the shape of x1_new is (5, 1)
# array([[1],
# [2],
# [3],
# [4],
# [5]])今、追加します：
In [3]: x1_new + x2
Out[3]:
array([[ 6, 5, 4],
[ 7, 6, 5],
[ 8, 7, 6],
[ 9, 8, 7],
[10, 9, 8]])または、配列に新しい軸を追加することもできますx2。
In [6]: x2_new = x2[:, np.newaxis] # x2[:, None]
In [7]: x2_new # shape is (3, 1)
Out[7]:
array([[5],
[4],
[3]])今、追加します：
In [8]: x1 + x2_new
Out[8]:
array([[ 6, 7, 8, 9, 10],
[ 5, 6, 7, 8, 9],
[ 4, 5, 6, 7, 8]])注：両方のケースで同じ結果が得られることを確認してください（ただし、一方は他方の転置です）。
シナリオ3：これはシナリオ1に似ています。ただし、np.newaxis複数回使用して、配列をより高い次元に昇格させることができます。このような演算は、より高次の配列（つまり、テンソル）で必要になる場合があります。
例：
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] # arr[None, ..., None, None]
In [127]: arr_5D.shape
Out[127]: (1, 5, 5, 1, 1)np.newaxisとnp.reshapeの背景の詳細
newaxis は、軸をマルチアレイに一時的に追加できる疑似インデックスとも呼ばれます。
np.newaxisは、スライスオペレーターを使用して配列を再作成しながらnp.reshape、配列を目的のレイアウトに再形成します（寸法が一致していることを前提とします。これは、が発生するために必要ですreshape）。
例
In [13]: A = np.ones((3,4,5,6))
In [14]: B = np.ones((4,6))
In [15]: (A + B[:, np.newaxis, :]).shape # B[:, None, :]
Out[15]: (3, 4, 5, 6)上記の例では、B（ブロードキャストを使用するために）の最初の軸と2番目の軸の間に一時的な軸を挿入しました。欠落している軸は、ここでブロードキャスト操作を機能さnp.newaxisせるために使用されます。
一般的なヒント：のNone代わりに使用することもできnp.newaxisます。これらは実際には同じオブジェクトです。
In [13]: np.newaxis is None
Out[13]: TruePSまた、この素晴らしい答えを見てください：次元を追加するためのnewaxis vs reshape
np.newaxis？np.newaxisPythonの定数のためだけの別名であるNone、あなたが使用してどこにその手段np.newaxisあなたにも使用することができますNone：
>>> np.newaxis is None
Trueの代わりにを使用するコードを読むと、よりわかりやすくなります。np.newaxisNone
np.newaxis？np.newaxis一般スライスと共に使用されます。これは、配列に次元を追加することを示しています。の位置は、np.newaxisディメンションを追加する場所を表します。
>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.shape
(10,)最初の例では、最初の次元のすべての要素を使用して、2番目の次元を追加します。
>>> a[:, np.newaxis]
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
>>> a[:, np.newaxis].shape
(10, 1)2番目の例では、最初の次元として次元を追加し、元の配列の最初の次元のすべての要素を、結果の配列の2番目の次元の要素として使用します。
>>> 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)同様に、複数np.newaxisを使用して複数のディメンションを追加できます。
>>> 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)np.newaxisますか？NumPy：には非常によく似た別の機能がありnp.expand_dims、これを使用して1つの次元を挿入することもできます。
>>> np.expand_dims(a, 1) # like a[:, np.newaxis]
>>> np.expand_dims(a, 0) # like a[np.newaxis, :]しかし1、sを挿入するだけで、これらの次元を追加する配列shapeも使用できますreshape。
>>> a.reshape(a.shape + (1,)) # like a[:, np.newaxis]
>>> a.reshape((1,) + a.shape) # like a[np.newaxis, :]ほとんどの場合、np.newaxisディメンションを追加する最も簡単な方法ですが、代替方法を知っておくと便利です。
np.newaxisですか？いくつかのコンテキストでは、便利なディメンションを追加しています。
データが指定された数の次元を持つ必要がある場合。たとえばmatplotlib.pyplot.imshow、1D配列を表示するために使用する場合。
NumPyに配列をブロードキャストさせたい場合。次元を追加することで、たとえば、1つの配列のすべての要素間の差を取得できますa - a[:, np.newaxis]。これは、NumPy操作が最後の次元1からブロードキャストするため機能します。
NumPy が配列をブロードキャストできるように必要な次元を追加するため。これは、各長さ1の次元が、他の配列の対応する1次元の長さに単純にブロードキャストされるため機能します。
1ブロードキャストルールについて詳しく知りたい場合は、そのテーマに関するNumPyのドキュメントが非常に役立ちます。また、次の例も含まれています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選択タプルのオブジェクトは、結果として得られる選択の次元を1つの単位長さの次元だけ拡張する働きをします。
これは、行行列を列行列に変換するだけではありません。
以下の例を検討してください。
In [1]:x1 = np.arange(1,10).reshape(3,3)
print(x1)
Out[1]: array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])次に、データに新しい次元を追加します。
In [2]:x1_new = x1[:,np.newaxis]
print(x1_new)
Out[2]:array([[[1, 2, 3]],
[[4, 5, 6]],
[[7, 8, 9]]])newaxisここに追加の次元が追加され、x1には次元（3,3）があり、X1_newには次元（3,1,3）があることがわかります。
新しい次元により、さまざまな操作が可能になる方法：
In [3]:x2 = np.arange(11,20).reshape(3,3)
print(x2)
Out[3]:array([[11, 12, 13],
[14, 15, 16],
[17, 18, 19]]) x1_newとx2を追加すると、次のようになります。
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]]])したがって、newaxis行行列から列行列への単なる変換ではありません。行列の次元が増えるので、より多くの操作を実行できます。
ndarray、NumPyの用語で機能します。
except that it changes a row vector to a column vector?最初の例は行ベクトルではありません。それはMATLABのコンセプトです。Pythonでは、行や列の概念がない1次元のベクトルです。行または列ベクトルは、第2の実施例と同様に、2- dimensonalある