np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴

季宁

发布时间：2026-10-14 | 1人浏览过

原创

本文详解numpy中np.newaxis的本质及其在多维数组操作中的应用。指出np.newaxis等价于None，主要用于在索引时保持列向量结构、拼接指定列以及解决广播形状不匹配问题，通过expand_dims和切片两种方式实现维度扩展。

np.newaxis 的本质

如下所示：


>> type(np.newaxis)
NoneType
>> np.newaxis == None
True

从使用和功能角度来看，np.newaxis 与 None 完全等价。通过查看源码可知，newaxis 实际上就是 None 的一个别名（newaxis = None）。

np.newaxis 的实际应用

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, )

当我们对多维数组进行某一列的索引时，返回的结果通常是一个行向量（即一维数组），而非保持列的结构。若需正确获取列结构，可采用以下索引方式：


>>>X[:, 1][:, np.newaxis]
array([[2],
   [6],
   [10]])

若需实现第二列与第四列的拼接（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，更为简便的方式是使用切片操作：


>> X[:, [1, 3]]
array([[ 2, 4],
    [ 6, 8],
    [10, 12]])

使用 np.expand_dims 调整维度

3. 使用 np.expand_dims


>> X = np.random.randint(0, 9, (2, 3))
>> mean_X = np.mean(X, axis=0)
>> X - mean_X           # 这样做是没有问题的

>> mean_X = np.mean(X, axis=1)
>> X - mean_X
ValueError: operands could not be broadcast together with shapes (2,3) (2,)

此时需要手动调整 mean_X 的维度，使其能够参与广播（broadcast）。以下有三种在指定轴上进行广播的方法：

mean_X[:, None]

mean_X[:, np.newaxis]

mean_X = np.expand_dims(mean_X, axis=1)

以上关于 np.newaxis 如何实现为 numpy.ndarray（多维数组）增加一个轴的讲解即为全部内容，希望能对大家有所帮助。