• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    浅谈numpy 函数里面的axis参数的含义

    前言

    numpy支持对矩阵和数组进行运算,因此很多numpy的很多运算都需要指定操作的维数参数axis(当然这些axis都有带默认值的),本博客以numpy.sum求和函数为例,具体分析axis参数不同取值下的含义。

    先说结论

    设 numpy.sum的输入矩阵为a. numpy.sum的返回矩阵为rst.

    则矩阵a的形状为:sp=numpy.shape(a),例如sp=[m,n,p,q···]

    rst的形状为将sp的第axis个元素设为1,即:

    sp'=sp
    sp'[axis]=1
    numpy.shape(rst)==sp' 为真.

    例如:axis=2,

    如果a是矩阵则:

    rst的形状应该为:[m,n,1,q···]

    对于rst的元素rst[m',n',1,q'···]计算方法为:

    【注意第axis轴】下标只能取1.

    numpy.sum(a,axis=2)的内部计算其实为:

    for i in range(sp[axis]):
        rst[m'][n'][1][q'][···]+=a[m'][n'][i][q'][···]

    结果上发现是第axis维变成1,计算过程其实是对第axis轴进行了遍历,让sp[axis]个元素合并成一个元素。

    而如果a是一个array则:

    rst的形状应该为:[m,n,q,···]

    注意第axis维直接不见了

    numpy.sum(a,axis=2)的内部计算

    for i in range(sp[axis]):
        rst[m'][n'][q'][···]+=a[m'][n'][i][q'][···]

    结果上发现是第axis维变没了,计算过程其实是对第axis轴进行了遍历,让sp[axis]个元素合并成一个元素。

    举例说明

    简单点的

    import numpy as np
    a=np.mat([[1,2,3],[4,5,6]])

    a的shape:

    print (np.shape(a))

    输出:(2, 3)

    计算:np.sum(a,axis=0)

    >>> s0=np.sum(a,axis=0)
    >>> s0
    matrix([[5, 7, 9]])

    按照【先说结论】的方法:

    axis=0

    a的形状:(2,3)

    所以rst的形状为:(1,3)

    对于rst的每个元素p,q:

    rst[p][q] 的 计算方法为(其中p只能等于0,q=0,1,2):

    for i in range(np.shape(a)[axis]):
         rst[0][q]+=a[i][q]

    所以:

    rst[0][0]=a[0][0]+a[1][0]=1+4=5
    rst[0][1]=a[0][1]+a[1][1]=2+5=7
    rst[0][2]=a[0][2]+a[1][2]=3+6=9

    所以rst就是[[5,7,9]]

    计算 numpy.sum(a,axis=1)

    a=[[1,2,3],[4,5,6]

    >>> s1=np.sum(a,axis=1)
    >>> s1
    matrix([[ 6],
            [15]])
    >>> np.shape(s1)
    (2, 1)
    >>> 
    

    一样的分析方法:

    按照【先说结论】的方法:

    axis=1

    a的形状:(2,3)

    所以rst的形状为:(2,1)

    对于rst的每个元素p,q:

    rst[p][q] 的 计算方法为(其中p=0,1 ,而q只能为0):

    for i in range(np.shape(a)[axis]):
         rst[p][0]+=a[p][i]

    所以:

    rst[0][0]=a[0][0]+a[0][1]+a[0][2]=1+2+3=6
    rst[1][0]=a[1][1]+a[1][1]+a[1][2]=4+5+6=15

    所以rst就是[[6],[15]].

    复杂点的:

    >>> b=np.array([[[1,2,3],[4,5,6],[7,8,9]]])
    >>> b
    array([[[1, 2, 3],
            [4, 5, 6],
            [7, 8, 9]]])
    >>> np.shape(b)
    (1, 3, 3)

    b是1x3x3,是一个array.

    那么np.sum(b,axis=2)等于多少呢?

    标准答案:

    >>> print (np.sum(b,axis=2))
    [[ 6 15 24]]

    分析结果:

    返回值应该为1x3形状的array,对于元素rst[p][q].

    rst[p][q]=a[p][q][0]+a[p][q][1]+a[p][q][2]

    例如rst[0][1]=a[0][1][0]+a[0][1][1]+a[0][1][2]=8+5+6=15.

    而np.sum(b,axis=2)的第一行第二个元素正是 15.

    关于axis默认值

    一般此类针对矩阵、array的函数都有一个axis参数,并且此默认为None.当axis为None使 表示运算是遍历矩阵(array)的每一个元素的,是逐元素的计算。

    补充:python中某些函数axis参数的理解

    总结为一句话:

    设axis=i,则numpy沿着第i个下标变化的方向进行操作。

    当然,这个i是从0开始数的,作为程序员的你一定不会搞错。

    axis意为“轴”,它指定了函数在张量(矩阵、等等)上进行操作的方向。

    例如有一个ndarray,名叫A,A.shape=(3,8,5,7)。

    那么np.sum(A, axis=2)计算的结果的shape就是(3,8,7)。

    假设这个shape是(3,8,7)的ndarray变量名为B,那么实际上:

    B[i][j][k]=A[i][j][0][k]+A[i][j][1][k]+A[i][j][2][k]+A[i][j][3][k]+A[i][j][4][k]

    以下代码你可以自己跑一下试试:

    import numpy as np
    A=np.random.randn(3,8,5,7)
    print("A.shape=",A.shape)
    B=np.sum(A,axis=2)
    print("B.shape=",B.shape)
    

    预期输出为:

    A.shape= (3, 8, 5, 7)

    B.shape= (3, 8, 7)

    以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

    您可能感兴趣的文章:
    • Python之NumPy(axis=0 与axis=1)区分详解
    • 详解numpy的argmax的具体使用
    • python之np.argmax()及对axis=0或者1的理解
    上一篇:Python统计可散列的对象之容器Counter详解
    下一篇:Python基础之语法错误和异常详解
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    浅谈numpy 函数里面的axis参数的含义 浅谈,numpy,函数,里,面的,