简单地说，numpy。Newaxis用于在使用一次时将现有数组的维度再增加一个维度。因此,

1D数组将变成2D数组 2D数组将变成3D数组 3D阵列将变成4D阵列 4D阵列将变成5D阵列

等等。

这是一个可视化的插图，描述了一维阵列到二维阵列的提升。

---

场景1:np。如上图所示，当你想显式地将一个一维数组转换为行向量或列向量时，newaxis可能会派上用场。

例子:

# 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)

---

场景2:当我们想要使用numpy广播作为某些操作的一部分时，例如在添加一些数组时。

例子:

假设你想添加以下两个数组:

 x1 = np.array([1, 2, 3, 4, 5])
 x2 = np.array([5, 4, 3])

如果你试图像这样添加它们，NumPy将引发以下ValueError:

ValueError: operands could not be broadcast together with shapes (5,) (3,)

在这种情况下，你可以使用np。newaxis增加其中一个数组的维数，以便NumPy可以广播。

In [2]: x1_new = x1[:, np.newaxis]    # x1[:, None]
# now, the shape of x1_new is (5, 1)
# array([[1],
#        [2],
#        [3],
#        [4],
#        [5]])

现在,添加:

In [3]: x1_new + x2
Out[3]:
array([[ 6,  5,  4],
       [ 7,  6,  5],
       [ 8,  7,  6],
       [ 9,  8,  7],
       [10,  9,  8]])

---

或者，你也可以为数组x2添加新的轴:

In [6]: x2_new = x2[:, np.newaxis]    # x2[:, None]
In [7]: x2_new     # shape is (3, 1)
Out[7]: 
array([[5],
       [4],
       [3]])

现在,添加:

In [8]: x1 + x2_new
Out[8]: 
array([[ 6,  7,  8,  9, 10],
       [ 5,  6,  7,  8,  9],
       [ 4,  5,  6,  7,  8]])

注意:观察到我们在两种情况下得到了相同的结果(但其中一个是另一个的转置)。

---

场景-3:这类似于场景-1。但是，你可以用np。newaxi不止一次地将数组提升到更高的维度。对于高阶数组(即张量)有时需要这样的操作。

例子:

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)

作为替代，您可以使用numpy。Expand_dims具有直观的轴kwarg。

# adding new axes at 1st, 4th, and last dimension of the resulting array
In [131]: newaxes = (0, 3, -1)
In [132]: arr_5D = np.expand_dims(arr, axis=newaxes)
In [133]: arr_5D.shape
Out[133]: (1, 5, 5, 1, 1)

---

更多np的背景知识。Newaxis vs . np. remodeling

Newaxis也被称为伪索引，它允许在多数组中临时添加一个轴。

np。Newaxis在numpy时使用切片操作符重新创建数组。将数组重新塑造为所需的布局(假设尺寸匹配;这是重塑发生的必要条件)。

例子

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)

在上面的例子中，我们在B的第一个和第二个轴之间插入了一个临时轴(以使用广播)。这里用np填充了一个缺失的轴。新蜡是为了使广播业务工作。

---

一般提示:你也可以用None来代替np.newaxis;它们实际上是相同的物体。

In [13]: np.newaxis is None
Out[13]: True

附注:也看到这个伟大的答案:新蜡与重塑，以增加维度

你从一个一维的数字列表开始。一旦你使用numpy。Newaxis，你把它变成了一个二维矩阵，由四行每行一列组成。

然后你可以用这个矩阵做矩阵乘法，或者用它来构造一个更大的4 × n矩阵。

简单地说，numpy。Newaxis用于在使用一次时将现有数组的维度再增加一个维度。因此,

1D数组将变成2D数组 2D数组将变成3D数组 3D阵列将变成4D阵列 4D阵列将变成5D阵列

等等。

这是一个可视化的插图，描述了一维阵列到二维阵列的提升。

---

场景1:np。如上图所示，当你想显式地将一个一维数组转换为行向量或列向量时，newaxis可能会派上用场。

例子:

# 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)

---

场景2:当我们想要使用numpy广播作为某些操作的一部分时，例如在添加一些数组时。

例子:

假设你想添加以下两个数组:

 x1 = np.array([1, 2, 3, 4, 5])
 x2 = np.array([5, 4, 3])

如果你试图像这样添加它们，NumPy将引发以下ValueError:

ValueError: operands could not be broadcast together with shapes (5,) (3,)

在这种情况下，你可以使用np。newaxis增加其中一个数组的维数，以便NumPy可以广播。

In [2]: x1_new = x1[:, np.newaxis]    # x1[:, None]
# now, the shape of x1_new is (5, 1)
# array([[1],
#        [2],
#        [3],
#        [4],
#        [5]])

现在,添加:

In [3]: x1_new + x2
Out[3]:
array([[ 6,  5,  4],
       [ 7,  6,  5],
       [ 8,  7,  6],
       [ 9,  8,  7],
       [10,  9,  8]])

---

或者，你也可以为数组x2添加新的轴:

In [6]: x2_new = x2[:, np.newaxis]    # x2[:, None]
In [7]: x2_new     # shape is (3, 1)
Out[7]: 
array([[5],
       [4],
       [3]])

现在,添加:

In [8]: x1 + x2_new
Out[8]: 
array([[ 6,  7,  8,  9, 10],
       [ 5,  6,  7,  8,  9],
       [ 4,  5,  6,  7,  8]])

注意:观察到我们在两种情况下得到了相同的结果(但其中一个是另一个的转置)。

---

场景-3:这类似于场景-1。但是，你可以用np。newaxi不止一次地将数组提升到更高的维度。对于高阶数组(即张量)有时需要这样的操作。

例子:

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)

作为替代，您可以使用numpy。Expand_dims具有直观的轴kwarg。

# adding new axes at 1st, 4th, and last dimension of the resulting array
In [131]: newaxes = (0, 3, -1)
In [132]: arr_5D = np.expand_dims(arr, axis=newaxes)
In [133]: arr_5D.shape
Out[133]: (1, 5, 5, 1, 1)

---

更多np的背景知识。Newaxis vs . np. remodeling

Newaxis也被称为伪索引，它允许在多数组中临时添加一个轴。

np。Newaxis在numpy时使用切片操作符重新创建数组。将数组重新塑造为所需的布局(假设尺寸匹配;这是重塑发生的必要条件)。

例子

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)

在上面的例子中，我们在B的第一个和第二个轴之间插入了一个临时轴(以使用广播)。这里用np填充了一个缺失的轴。新蜡是为了使广播业务工作。

---

一般提示:你也可以用None来代替np.newaxis;它们实际上是相同的物体。

In [13]: np.newaxis is None
Out[13]: True

附注:也看到这个伟大的答案:新蜡与重塑，以增加维度

什么是np.newaxis?

np。newaxis只是Python常量None的别名，这意味着无论你在哪里使用np。newaxis你也可以使用None:

>>> np.newaxis is None
True

如果你阅读使用np的代码，它会更有描述性。newaxis而不是None。

如何使用np.newaxis?

np。新蜡通常与切片一起使用。它表示您希望向数组添加额外的维度。np的位置。newaxis表示我想添加维度的位置。

>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.shape
(10,)

在第一个例子中，我使用了第一个维度中的所有元素，并添加了第二个维度:

>>> a[:, np.newaxis]
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])
>>> a[:, np.newaxis].shape
(10, 1)

第二个例子添加了一个维度作为第一个维度，然后使用原始数组的第一个维度中的所有元素作为结果数组的第二个维度中的元素:

>>> 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)

同样地，你可以使用多个np。Newaxis增加了多个维度:

>>> 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)

有np.newaxis的替代品吗?

NumPy中还有一个非常类似的功能:np。Expand_dims，也可以用来插入一个维度:

>>> np.expand_dims(a, 1)  # like a[:, np.newaxis]
>>> np.expand_dims(a, 0)  # like a[np.newaxis, :]

但考虑到它只是在形状中插入1，你也可以重塑数组来添加这些维度:

>>> a.reshape(a.shape + (1,))  # like a[:, np.newaxis]
>>> a.reshape((1,) + a.shape)  # like a[np.newaxis, :]

大多数时候是np。Newaxis是添加维度的最简单的方法，但最好了解其他替代方法。

什么时候使用np.newaxis?

在一些情况下，添加维度是有用的:

If the data should have a specified number of dimensions. For example if you want to use matplotlib.pyplot.imshow to display a 1D array. If you want NumPy to broadcast arrays. By adding a dimension you could for example get the difference between all elements of one array: a - a[:, np.newaxis]. This works because NumPy operations broadcast starting with the last dimension 1. To add a necessary dimension so that NumPy can broadcast arrays. This works because each length-1 dimension is simply broadcast to the length of the corresponding1 dimension of the other array.

---

1如果你想了解更多关于广播规则的知识，NumPy关于这个主题的文档是非常好的。它还包括一个np.newaxis的例子:

>>> a = np.array([0.0, 10.0, 20.0, 30.0]) >>> b = np.array([1.0, 2.0, 3.0]) >>> a[:， np.]+ b 数组([[1。2。3) (11。, 12。13), (21。, 22岁。23岁。) [31。, 32。, 33]])。

选择元组中的Newaxis对象用于将结果选择的维度扩展一个单位长度维度。

它不仅仅是行矩阵到列矩阵的转换。

请看下面的例子:

In [1]:x1 = np.arange(1,10).reshape(3,3)
       print(x1)
Out[1]: array([[1, 2, 3],
               [4, 5, 6],
               [7, 8, 9]])

现在让我们为数据添加新的维度，

In [2]:x1_new = x1[:,np.newaxis]
       print(x1_new)
Out[2]:array([[[1, 2, 3]],

              [[4, 5, 6]],

              [[7, 8, 9]]])

你可以看到newaxis在这里增加了额外的维度，x1有维度(3,3)，X1_new有维度(3,1,3)。

我们的新维度如何使我们能够进行不同的操作:

In [3]:x2 = np.arange(11,20).reshape(3,3)
       print(x2)
Out[3]:array([[11, 12, 13],
              [14, 15, 16],
              [17, 18, 19]]) 

加上x1_new和x2，我们得到:

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]]])

因此，新矩阵并不仅仅是行矩阵到列矩阵的转换。它增加了矩阵的维数，从而使我们能够对矩阵进行更多的操作。