[python] numpy.newaxis는 어떻게 작동하며 언제 사용합니까?

간단히 말해, numpy.newaxis하는 데 사용되는 차원이 증가 하여 기존 배열을 하나 더 차원 사용할 경우, 한 번 . 그러므로,

• 1D 배열은 2D 배열이됩니다

• 2D 배열은 3D 배열이됩니다

• 3D 배열은 4D 배열이됩니다

• 4D 배열은 5D 배열이됩니다

등등..

다음은 1D 어레이에서 2D 어레이로의 승격 을 나타내는 시각적 설명입니다 .

시나리오 -1 : 위의 그림과 같이 1D 배열을 행 벡터 또는 열 벡터np.newaxis 로 명시 적으로 변환 하려는 경우 유용 할 수 있습니다 .

예:

# 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)

시나리오 -2 : 일부 어레이를 추가 하는 등 일부 작업의 일부로 numpy 브로드 캐스팅 을 사용하려는 경우

예:

다음 두 배열을 추가한다고 가정 해 봅시다.

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

이와 같이 추가하면 NumPy가 다음을 발생시킵니다 ValueError.

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

이 상황에서 np.newaxisNumPy가 브로드 캐스트 할 수 있도록 배열 중 하나의 차원을 늘리는 데 사용할 수 있습니다 .

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

이제 다음을 추가하십시오.

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

또는 배열에 새 축을 추가 할 수도 있습니다 x2.

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

이제 다음을 추가하십시오.

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

참고 : 두 경우 모두 동일한 결과를 얻습니다 (하나는 다른 것의 전치 임).

시나리오 3 : 시나리오 1과 유사합니다. 그러나 배열을 더 높은 차원 np.newaxis으로 승격시키기 위해 두 번 이상 사용할 수 있습니다 . 이러한 연산은 때때로 고차 배열 ( 즉, Tensor )에 필요합니다.

예:

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 vs np.reshape 에 대한 추가 배경

newaxis 다중 축에 축을 임시로 추가 할 수있는 유사 인덱스라고도합니다.

np.newaxis하면서 배열을 다시 슬라이싱 연산자를 사용하여 np.reshape(그리고 이것이 크기가 일치한다고 가정 고쳐 원하는 레이아웃 어레이가 반드시 a를위한 reshape일어날).

예

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)

위의 예에서 B(방송 사용) 의 첫 번째 축과 두 번째 축 사이에 임시 축을 삽입했습니다 . 방송 작업이 작동 np.newaxis하도록 누락 된 축이 여기에 채워집니다 .

일반 팁 :None대신사용할 수도 있습니다np.newaxis. 이것들은 실제로 같은 객체 입니다.

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

추신 : 또한이 위대한 대답을보십시오 : 치수를 추가하기위한 newaxis 대 모양

답변

>>> np.newaxis is None
True

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

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

>>> 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)

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

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

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

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

              [[4, 5, 6]],

              [[7, 8, 9]]])

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

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]]])