如下所示：
>> type(np.newaxis) NoneType >> np.newaxis == None True
np.newaxis 在使用和功能上等价于 None，其实就是 None 的一个别名。
1. np.newaxis 的实用
>> x = np.arange(3)
>> x
array([0, 1, 2])
>> x.shape
(3,)
>> x[:, np.newaxis]
array([[0],
[1],
[2]])
>> x[:, None]
array([[0],
[1],
[2]])
>> x[:, np.newaxis].shape
(3, 1)
2. 索引多维数组的某一列时返回的是一个行向量
>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) >>> X[:, 1] array([2, 6, 10]) % 这里是一个行 >>> X[:, 1].shape % X[:, 1] 的用法完全等同于一个行，而不是一个列， (3, )
如果我索引多维数组的某一列时，返回的仍然是列的结构，一种正确的索引方式是：
>>>X[:, 1][:, np.newaxis] array([[2], [6], [10]])
如果想实现第二列和第四列的拼接（层叠）：
>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]])
% hstack：horizontal stack，水平方向上的层叠
>>>X_sub
array([[2, 4]
[6, 8]
[10, 12]])
当然更为简单的方式还是使用切片：
>> X[:, [1, 3]]
array([[ 2, 4],
[ 6, 8],
[10, 12]])
以上这篇numpy np.newaxis 的实用分享就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
