欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

numpy模塊中axis的理解與使用

 更新時(shí)間:2022年03月24日 11:07:54   作者:fangjian1204  
而在numpy中有很多的函數(shù)都涉及到axis,numpy中的軸axis是很重要的,許多numpy的操作根據(jù)axis的取值不同,作出的操作也不相同,這篇文章主要給大家介紹了關(guān)于numpy模塊中axis的理解與使用的相關(guān)資料,需要的朋友可以參考下

首先為什么會(huì)有axis這個(gè)概念?

因?yàn)樵趎umpy模塊中,大多數(shù)處理的是矩陣或者多維數(shù)組,同時(shí),對(duì)多維數(shù)組或者矩陣的操作有多種可能,為了幫助實(shí)現(xiàn)對(duì)數(shù)組或矩陣各種各樣的功能,就有了axis

下面舉個(gè)例子,選取不同的axis,對(duì)二維數(shù)組進(jìn)行sum,mean,min,max的操作

>>> import numpy as np
>>> arr=np.arange(16).reshape(2,4,2)
>>> arr
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5],
        [ 6,  7]],

       [[ 8,  9],
        [10, 11],
        [12, 13],
        [14, 15]]])

axis的作用即如何理解

numpy是python進(jìn)行科學(xué)計(jì)算必不可少的模塊,隨著深度學(xué)習(xí)越來越火,numpy也越來越流行。了解numpy的人知道,在numpy中,有很多的函數(shù)都涉及到axis,很多函數(shù)根據(jù)axis的取值不同,得到的結(jié)果也完全不同。可以說,axis讓numpy的多維數(shù)組變的更加靈活,但也讓numpy變得越發(fā)難以理解。這里通過詳細(xì)的例子來學(xué)習(xí)下,axis到底是什么,它在numpy中的作用到底如何。

為什么會(huì)有axis這個(gè)東西,原因很簡(jiǎn)單:numpy是針對(duì)矩陣或者多為數(shù)組進(jìn)行運(yùn)算的,而在多維數(shù)組中,對(duì)數(shù)據(jù)的操作有太多的可能,我們先來看一個(gè)例子。比如我們有一個(gè)二維數(shù)組:

>>> import numpy as np
>>> data = np.array([
... [1,2,1],
... [0,3,1],
... [2,1,4],
... [1,3,1]])

這個(gè)數(shù)組代表了樣本數(shù)據(jù)的特征,其中每一行代表一個(gè)樣本的三個(gè)特征,每一列是不同樣本的特征。如果在分析樣本的過程中需要對(duì)每個(gè)樣本的三個(gè)特征求和,該如何處理?簡(jiǎn)單:

>>> np.sum(data, axis=1)
array([4, 4, 7, 5])

那如果想求每種特征的最小值,該如何處理?也簡(jiǎn)單:

>>> np.min(data, axis=0)
array([0, 1, 1])

又如果想得知所有樣本所有特征的平均值呢?還是很簡(jiǎn)單:

>>> np.average(data)
1.6666666666666667

由此可以看出,通過不同的axis,numpy會(huì)沿著不同的方向進(jìn)行操作:如果不設(shè)置,那么對(duì)所有的元素操作;如果axis=0,則沿著縱軸進(jìn)行操作;axis=1,則沿著橫軸進(jìn)行操作。但這只是簡(jiǎn)單的二位數(shù)組,如果是多維的呢?可以總結(jié)為一句話:設(shè)axis=i,則numpy沿著第i個(gè)下標(biāo)變化的放下進(jìn)行操作。例如剛剛的例子,可以將表示為:data =[[a00, a01],[a10,a11]],所以axis=0時(shí),沿著第0個(gè)下標(biāo)變化的方向進(jìn)行操作,也就是a00->a10, a01->a11,也就是縱坐標(biāo)的方向,axis=1時(shí)也類似。下面我們舉一個(gè)四維的求sum的例子來驗(yàn)證一下:

>>> data = np.random.randint(0, 5, [4,3,2,3])
>>> data
array([[[[4, 1, 0],
         [4, 3, 0]],
        [[1, 2, 4],
         [2, 2, 3]],
        [[4, 3, 3],
         [4, 2, 3]]],

       [[[4, 0, 1],
         [1, 1, 1]],
        [[0, 1, 0],
         [0, 4, 1]],
        [[1, 3, 0],
         [0, 3, 0]]],

       [[[3, 3, 4],
         [0, 1, 0]],
        [[1, 2, 3],
         [4, 0, 4]],
        [[1, 4, 1],
         [1, 3, 2]]],

       [[[0, 1, 1],
         [2, 4, 3]],
        [[4, 1, 4],
         [1, 4, 1]],
        [[0, 1, 0],
         [2, 4, 3]]]])

當(dāng)axis=0時(shí),numpy驗(yàn)證第0維的方向來求和,也就是第一個(gè)元素值=a0000+a1000+a2000+a3000=11,第二個(gè)元素=a0001+a1001+a2001+a3001=5,同理可得最后的結(jié)果如下:

>>> data.sum(axis=0)
array([[[11,  5,  6],
        [ 7,  9,  4]],

       [[ 6,  6, 11],
        [ 7, 10,  9]],

       [[ 6, 11,  4],
        [ 7, 12,  8]]])

當(dāng)axis=3時(shí),numpy驗(yàn)證第3維的方向來求和,也就是第一個(gè)元素值=a0000+a0001+a0002=5,第二個(gè)元素=a0010+a0011+a0012=7,同理可得最后的結(jié)果如下:

>>> data.sum(axis=3)
array([[[ 5,  7],
        [ 7,  7],
        [10,  9]],

       [[ 5,  3],
        [ 1,  5],
        [ 4,  3]],

       [[10,  1],
        [ 6,  8],
        [ 6,  6]],

       [[ 2,  9],
        [ 9,  6],
        [ 1,  9]]])

使用axis的相關(guān)函數(shù)

在numpy中,使用的axis的地方非常多,處理上文已經(jīng)提到的average、max、min、sum,比較常見的還有sort和prod,下面分別舉幾個(gè)例子看一下:

sort

>>> data = np.random.randint(0, 5, [3,2,3])
>>> data
array([[[4, 2, 0],
        [0, 0, 4]],

       [[2, 1, 1],
        [1, 0, 2]],

       [[3, 0, 4],
        [0, 1, 3]]])
>>> np.sort(data)  ## 默認(rèn)對(duì)最大的axis進(jìn)行排序,這里即是axis=2
array([[[0, 2, 4],
        [0, 0, 4]],

       [[1, 1, 2],
        [0, 1, 2]],

       [[0, 3, 4],
        [0, 1, 3]]])
>>> np.sort(data, axis=0)  # 沿著第0維進(jìn)行排序,原先的a000->a100->a200轉(zhuǎn)變?yōu)閍100->a200->a000
array([[[2, 0, 0],
        [0, 0, 2]],

       [[3, 1, 1],
        [0, 0, 3]],

       [[4, 2, 4],
        [1, 1, 4]]])
>>> np.sort(data, axis=1)  # 沿著第1維進(jìn)行排序
array([[[0, 0, 0],
        [4, 2, 4]],

       [[1, 0, 1],
        [2, 1, 2]],

       [[0, 0, 3],
        [3, 1, 4]]])
>>> np.sort(data, axis=2)  # 沿著第2維進(jìn)行排序
array([[[0, 2, 4],
        [0, 0, 4]],

       [[1, 1, 2],
        [0, 1, 2]],

       [[0, 3, 4],
        [0, 1, 3]]])
>>> np.sort(data, axis=None)  # 對(duì)全部數(shù)據(jù)進(jìn)行排序
array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 3, 3, 4, 4, 4])

prod(即product,乘積)

 >>> np.prod([[1.,2.],[3.,4.]])
 24.0

 >>> np.prod([[1.,2.],[3.,4.]], axis=1)
 array([  2.,  12.])

 >>> np.prod([[1.,2.],[3.,4.]], axis=0)
 array([ 3.,  8.])

相信通過上面的講解與例子,你應(yīng)該對(duì)axis有了比較清楚的了解。個(gè)人認(rèn)為,如果沒有理解axis的真正含義,很難熟悉的運(yùn)用numpy進(jìn)行數(shù)據(jù)處理

總結(jié)

到此這篇關(guān)于numpy模塊中axis的理解與使用的文章就介紹到這了,更多相關(guān)numpy模塊axis內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

最新評(píng)論