numpy中np.newaxis的用法与多维数组索引技巧
发布时间：2026-10-13 |
4人浏览过
本文介绍numpy中np.newaxis的用法，它等价于None，用于改变数组维度。通过示例展示如何利用np.newaxis将一维数组转为列向量，解决多维数组单列索引返回行向量形状的问题，并演示如何拼接指定列及更简单的切片方法。
具体用法如下所示：
>> type(np.newaxis)
NoneType
>> np.newaxis == None
Truenp.newaxis 的基本概念
在功能和实际效果上，np.newaxis 与 None 完全等价，可以将其视为 None 的一个别名。
1. np.newaxis 的实际应用场景
>> 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)
np.newaxis 的实际应用场景
2. 索引多维数组某一列时返回行向量形状的问题
>>> 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, )解决多维数组列索引形状问题
当我们需要索引多维数组的某一列时，如果直接索引，返回的往往是一个扁平的行向量结构，而非我们期望的列向量。为了实现保持列结构的索引方式，可以采用以下正确的索引策略：
>>>X[:, 1][:, np.newaxis]
array([[2],
[6],
[10]])实现指定列的水平拼接
若需实现第二列与第四列的拼接（即水平层叠），可以借助 hstack 函数结合 np.newaxis 来完成：
>>>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]])更简洁的切片选择方式
当然，对于选取特定列的场景，使用切片操作是更为简洁高效的方式：
>> X[:, [1, 3]]
array([[ 2, 4],
[ 6, 8],
[10, 12]])
以上内容总结了 numpy 中 np.newaxis 的实用技巧，希望对读者有所帮助。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
