python代码，如何理解numpy的ndarray扩维函数expand_dims？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

对于numpy中的数组ndarray类型，有个维度ndim的概念。其实，维度就是指几重数组。而且ndarray中的元素，同一维度下，数量必须一致。这就是和传统的数组，所不一样的地方。

大家好，这里是苏南大叔的程序如此灵动博客，这里记录苏南大叔和计算机代码的故事。本文记录如何扩展ndarray的维度，也就是客观的改变.shape属性。测试环境：win10，python@3.6.8。

ndarray基本概念

本文描述的.expand_dims()函数，是作用于ndarray类型上面的。所以，需要定义几个ndarray变量。具体可以参考：

• https://newsn.net/say/python-ndarray.html

在本文的代码例子中，使用.shape形状的概念，来体现.ndim维度的概念。

import numpy as np
aa = np.array([1, 2])
a2 = np.random.randint(1, 3, size=(2, 3))
print(aa.shape)
print(a2.shape)

.expand_dims()的axis参数

.expand_dims()是个扩维函数，第一个参数就是被扩维的数组，第二个参数axis就是被扩容的位置。为了更好的理解这个函数，最好先观察它的维度信息。

一个数组的.shape信息，是个元组，也可以理解为不可变数组。它的第一个值就是axis=0的位置，第二个值就是axis=1的位置。被扩容后，对应的轴索引为[0]，其它轴后移。

import numpy as np
aa = np.array([1, 2])
print(aa.shape,aa[1],aa)
a2 = np.expand_dims(aa,axis=0)
print(a2.shape,a2[0,1],a2[0][3],a2)
a3 = np.expand_dims(a2,axis=1)
print(a3.shape,a3[0,0,1],a3[0][0][1],a3)

axis取负数的时候，就是从最后的位置添加的。-1就是添加在最后，-2就是添加在倒数第二位，后面的向右移动。

a4 = np.expand_dims(a3,axis=-1)
print(a4.shape,a4[0,0,1,0],a4)
a5 = np.expand_dims(a4,axis=-2)
print(a5.shape,a5[0,0,1,0,0],a5)
a6 = np.expand_dims(a5,axis=-3)
print(a6.shape,a6[0,0,1,0,0,0],a6)

下面做个图表，对于最初始的一维数组[1,2]中的2，axis是顺序叠加的。做个总结：

其实，变化最大的还是变量本身，随着维度的增加，数据也变得越来越复杂和难以理解。不过，大多数时候，大家用到的也就是2维数组。所以，也不用多耗费脑细胞，去想象3维4维甚至5维数组到底是什么样子的。

如果不顺序叠加的话，就是说axis不按套路出牌的话，报错类似如下：

numpy.AxisError: axis 2 is out of bounds for array of dimension 2

.expand_dims()扩维前后

扩维前后的变量存在引用关系！！！扩维前的变量变的话，后面的变量也发生变化！请看下面的代码：

import numpy as np
b1 = np.random.randint(1, 3, size=(2, 3))
print(b1)
# [[2 2 2]
#  [1 1 2]]
b2 = np.expand_dims(b1, axis=0)
b1[0][0]=100
print(b1)
# [[100   1   1]
#  [  2   1   2]]
print(b2)
# [[[100   2   2]
#   [  1   1   2]]]

上面的例子中，b1扩容后形成b2，然后修改b1，然而b2显示也被修改了。不是说两个变量是引用关系，而是说后者变量的一部分是引用到了原变量。

相关链接

• https://newsn.net/say/python-ndarray.html
• https://newsn.net/say/python-tuple.html
• https://newsn.net/say/python-set-vs-list.html
• https://newsn.net/say/python-set-diff.html

综述

这个扩维函数，可以用于机器学习过程中，对某条数据进行扩维，从而适合机器学习的计算。更多python相关文章，请点击：

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。