在 numpy 中，[:,None] 的选择有什么作用？答案

【问题标题】：In numpy, what does selection by [:,None] do?在 numpy 中，[:,None] 的选择有什么作用？
【发布时间】：2016-06-16 18:58:33
【问题描述】：

我正在参加关于深度学习的 Udacity 课程，我遇到了以下代码：

def reformat(dataset, labels):
    dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
    # Map 0 to [1.0, 0.0, 0.0 ...], 1 to [0.0, 1.0, 0.0 ...]
    labels = (np.arange(num_labels) == labels[:,None]).astype(np.float32)
    return dataset, labels

labels[:,None] 在这里实际上做了什么？

【问题讨论】：

标签： python numpy

【解决方案1】：

http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html

numpy.newaxis

newaxis 对象可用于所有切片操作以创建长度为 1 的轴。 :const: newaxis 是 ‘None’ 的别名，可以使用 ‘None’ 代替它，结果相同。

http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.expand_dims.html

用你的部分代码演示

In [154]: labels=np.array([1,3,5])

In [155]: labels[:,None]
Out[155]: 
array([[1],
       [3],
       [5]])
 
In [157]: np.arange(8)==labels[:,None]
Out[157]: 
array([[False,  True, False, False, False, False, False, False],
       [False, False, False,  True, False, False, False, False],
       [False, False, False, False, False,  True, False, False]], dtype=bool)

In [158]: (np.arange(8)==labels[:,None]).astype(int)
Out[158]: 
array([[0, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 1, 0, 0]])

【讨论】：

【解决方案2】：

None 是NP.newaxis 的别名。它创建一个长度为 1 的轴。这对于矩阵乘法等很有用。

>>>> import numpy as NP
>>>> a = NP.arange(1,5)
>>>> print a
[1 2 3 4]
>>>> print a.shape
(4,)
>>>> print a[:,None].shape
(4, 1)
>>>> print a[:,None]
[[1]
 [2]
 [3]
 [4]]

【讨论】：

所以它与 np.reshape(a, (-1,1)) 假设 a 的形状为 (n,) 相同，其中 n 是任意整数？
@BlueRineS 是的。

【解决方案3】：

用简单的英语解释，它允许在两个不同维数的数组之间进行操作。

它通过添加一个新的空维度来实现这一点，该维度将自动适应另一个数组的大小。

所以基本上如果：

Array1 = 形状[100] 和 Array2 = 形状[10,100]

Array1 * Array2 通常会报错。

Array1[:,None] * Array2 可以工作。

【讨论】：

【解决方案4】：

我在完成相同的 Udacity 课程后遇到完全相同的问题来到这里。我想做的是转置不适用于 numpy.transpose([1, 2, 3]) 的一维 numpy 系列/数组。所以我想补充一下你可以像这样转置（source）：

numpy.matrix([1, 2, 3]).T

结果：

matrix([[1],
        [2],
        [3]])

与以下内容几乎相同（类型不同）：

x=np.array([1, 2, 3])
x[:,None]

但我认为它更容易记住......

【讨论】：

【解决方案5】：

如果您看到有经验的 NumPy 用户的代码，您会经常看到他们使用特殊的切片语法而不是调用 reshape。

x = v[None, :]

或

x = v[:, None]

这些行创建了一个切片，它查看 v 的所有项目，但要求 NumPy 为关联的轴添加一个大小为 1 的新维度。

【讨论】：

内容来自 Udacity 的深度学习纳米学位项目。

【解决方案6】：

（澄清@GWW 的答案和@BlueRine S 的评论）在使用numpy 数组时，最好将一维数组清楚地视为行向量或列向量。 Andrew Ng 也指出了这一点，以避免代码中的错误。

>>> import numpy as NP
>>> a = NP.arange(1,5)
>>> a
array([1, 2, 3, 4])
>>> a.shape
(4,)
>>> a[:,None].shape
(4, 1)
>>> a[:,None]
array([[1],
       [2],
       [3],
       [4]])
>>> a[None,:].shape
(1, 4)
>>> a[None,:]
array([[1, 2, 3, 4]])
>>> np.reshape(a, (1, -1))
array([[1, 2, 3, 4]])
>>> np.reshape(a, (-1, 1))
array([[1],
       [2],
       [3],
       [4]])

【讨论】：