keepdims 在 Numpy (Python) 中的作用是什么？答案

【问题标题】：What is the role of keepdims in Numpy (Python)?keepdims 在 Numpy (Python) 中的作用是什么？
【发布时间】：2017-04-17 01:35:03
【问题描述】：

我在使用np.sum的时候，遇到了一个叫keepdims的参数。查了the docs，还是看不懂keepdims的意思。

keepdims: 布尔型，可选

如果设置为 True，则缩小的轴将作为尺寸为 1 的尺寸留在结果中。使用此选项，结果将根据原始 arr 正确广播。

如果有人能通过一个简单的例子理解这一点，我将不胜感激。

【问题讨论】：

标签： python numpy

【解决方案1】：

keepdims = true;在这种情况下，您的数组（矩阵）的尺寸将被保存。这意味着您得到的结果是针对您尝试实现方法的数组正确“广播”的。

当你忽略它时，它只是一个没有更多维度的普通数组。

import numpy as np

x = np.random.rand(4,3)

#Output for below statement: (3,)
print((np.sum(x, axis=0)).shape)

#Output for below statement: (1, 3)
print((np.sum(x, axis=0, keepdims=True)).shape)

【讨论】：

【解决方案2】：

keepdims = True，用于匹配矩阵的维度。如果我们留下这个 False ，那么它将显示尺寸错误的错误。计算softmax熵的时候可以看到

【讨论】：

【解决方案3】：

考虑一个小的二维数组：

In [180]: A=np.arange(12).reshape(3,4)
In [181]: A
Out[181]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

跨行求和；结果是一个 (3,) 数组

In [182]: A.sum(axis=1)
Out[182]: array([ 6, 22, 38])

但是将A 与sum 相加（或除）需要重新整形

In [183]: A-A.sum(axis=1)
...
ValueError: operands could not be broadcast together with shapes (3,4) (3,) 
In [184]: A-A.sum(axis=1)[:,None]   # turn sum into (3,1)
Out[184]: 
array([[ -6,  -5,  -4,  -3],
       [-18, -17, -16, -15],
       [-30, -29, -28, -27]])

如果我使用keepdims，“结果将正确广播”A。

In [185]: A.sum(axis=1, keepdims=True)   # (3,1) array
Out[185]: 
array([[ 6],
       [22],
       [38]])
In [186]: A-A.sum(axis=1, keepdims=True)
Out[186]: 
array([[ -6,  -5,  -4,  -3],
       [-18, -17, -16, -15],
       [-30, -29, -28, -27]])

如果我以另一种方式求和，我不需要keepdims。广播这个总和是自动的：A.sum(axis=0)[None,:]。但是使用keepdims 并没有什么坏处。

In [190]: A.sum(axis=0)
Out[190]: array([12, 15, 18, 21])    # (4,)
In [191]: A-A.sum(axis=0)
Out[191]: 
array([[-12, -14, -16, -18],
       [ -8, -10, -12, -14],
       [ -4,  -6,  -8, -10]])

如果您愿意，这些操作可能对np.mean 更有意义，将数组标准化为列或行。无论如何，它可以简化原始数组和总和/平均值之间的进一步数学运算。

【讨论】：

这是一个不错的答案
在同一个例子中，你能详细说明这两个区别吗？ >>> A.sum(axis=0, keepdims=False) 数组([12, 15, 18, 21]) >>> A.sum(axis=0, keepdims=True) 数组([[12, 15, 18, 21]])
@MonaJalal。 A 是二维的。第一个和是 1d, (4,)。第二个和是 2d (1,4)。它将轴 0 相加，但将其保留为大小 (1,) 维度，而不是将其挤出。

【解决方案4】：

如果对矩阵求和，则可以使用 "keepdims=True" 保留维度例如：

import numpy as np
x  = np.array([[1,2,3],[4,5,6]])
x.shape
# (2, 3)

np.sum(x, keepdims=True).shape
# (1, 1)
np.sum(x, keepdims=True)
# array([[21]]) <---the reault is still a 1x1 array

np.sum(x, keepdims=False).shape
# ()
np.sum(x, keepdims=False)
# 21 <--- the result is an integer with no dimesion

【讨论】：