这篇“numpy怎么增加维度和删除维度”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“numpy怎么增加维度和删除维度”文章吧。
楔子
在 TensorFlow 中，可以给一个 tensor 增加一个维度、删除一个维度，那么在 Numpy 中该怎么呢？
删除维度、增加维度
先来看看如何增加一个维度：
import numpy as nparr = np.array([[[1, 2, 3], [2, 3, 4]]])print(arr)"""[[[1 2 3] [2 3 4]]]"""print(arr.shape) # (1, 2, 3)# 事实上第一个维度我们是不需要的，因为在该维度上数组的长度是 1# 删除第 1 个维度，我们看到已经改变了print(np.squeeze(arr, 0))"""[[1 2 3] [2 3 4]]"""但是注意：只有数组长度在该维度上为 1，那么该维度才可以被删除。如果不是1，那么删除的话会报错。
import numpy as nparr = np.array([[[1, 2, 3], [2, 3, 4]]])print(arr.shape) # (1, 2, 3)try: # 删除第二个维度，显然在第二个维度上数组的长度是 2，不是 1 # 所以它不能被删除 print(np.squeeze(arr, 1))except Exception as e: print(e) # cannot select an axis to squeeze out which has size not equal to one删除只能删除数组长度为 1 所对应的维度，同理添加也是添加一个维度也只是让数组在这个维度上的长度变成 1，因为数组本来不存在这个维度的，但是我们强行加上了一个维度，那么数组在这个维度上的长度只能是 1。
import numpy as nparr = np.array([[1, 2, 3], [2, 3, 4]])print(arr.shape) # (2, 3)# 很好理解print(np.expand_dims(arr, 0).shape) # (1, 2, 3)print(np.expand_dims(arr, 1).shape) # (2, 1, 3)print(np.expand_dims(arr, 2).shape) # (2, 3, 1)arr = np.array([1, 2, 3])print(np.expand_dims(arr, 0))"""[[1 2 3]]"""print(np.expand_dims(arr, 1))"""[[1] [2] [3]]"""以上就实现了数组维度的删除和增加，因为数组的元素是固定的，所以在删除维度和增加维度时，数组在该维度上的长度必须是 1。
另外，变化维度还可以使用 reshape，比如 arr 的维度是 (2, 1, 3)，我们把第二个维度给去掉的话，那么直接 arr.reshape((2, 3)) 即可，增加维度也是同理，只要变化维度前后的元素个数不变即可。
import numpy as nparr = np.array([[1, 2, 3], [2, 3, 4]])print(arr.shape) # (2, 3)arr1 = arr.reshape((2, 1, 1, 3))print(arr1)"""[[[[1 2 3]]] [[[2 3 4]]]]"""print(arr1.shape) # (2, 1, 1, 3)print(np.all(arr1.reshape((2, 3)) == arr)) # True最后，增加维度还有一种做法，但用的不多，举个栗子：
import numpy as nparr = np.array([[1, 2, 3], [2, 3, 4]])print(arr.shape) # (2, 3)# 将维度变成 (2, 1, 3, 1, 1)arr1 = arr[:, np.newaxis, :, np.newaxis, np.newaxis]print(arr1.shape) # (2, 1, 3, 1, 1)# np.newaxis 等价于 Noneprint(arr[:, None, :, None, None].shape) # (2, 1, 3, 1, 1)# 使用 : 的部分和之前的维度是对应的，np.newaxis 或者 None 可以理解成 1# 因此最终得到的数组的维度就是 (2, 1, 3, 1, 1)# 再以一维数组为例arr = np.array([1, 2, 3])print(arr)"""[1 2 3]"""# 得到的数组的 shape 为 (1, 3)print(arr[None, :])"""[[1 2 3]]"""# 得到的数组的 shape 为 (3, 1)print(arr[:, None])"""[[1] [2] [3]]"""删除、增加一行或一列
说实话，改变数组的维度不是特别常见，更常见的是删除数组的一行或者一列，举个栗子：
# 原始数组[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]# 我们希望删除一行[[ 0 1 2 3] [ 8 9 10 11]]# 或者删除一列[[ 0 2 3] [ 4 6 7] [ 8 10 11]]这种需求相对来说更加常见一些，那么应该怎么做呢？我们来看一下。
删除一行或一列
首先是删除：
import numpy as nparr = np.arange(0, 12).reshape(3, 4)print(arr)"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]"""# 假设删除第二行print(np.delete(arr, [1], axis=0))"""[[ 0 1 2 3] [ 8 9 10 11]]"""# 删除第一行和第三行print(np.delete(arr, [0, 2], axis=0))"""[[4 5 6 7]]"""# 删除前两行，slice(0, 2) 也可以换成 np.s_[0: 2]print(np.delete(arr, slice(0, 2), axis=0))"""[[ 8 9 10 11]]"""删除列的话也是同理，只需要将 axis=0 换成 axis=1 即可，注意：如果不指定 axis 或者 axis 指定为 None，那么会 np.delete 会将传递的数组扁平化（变成一维数组），然后进行删除。举个栗子：
arr = np.array([[1, 2, 3], [4, 5, 6]])print(arr)"""[[1 2 3] [4 5 6]]"""# 会将 arr 扁平化处理，然后删除索引为 1 的元素，因此要注意 axis 参数print(np.delete(arr, [1])) """[1 3 4 5 6]"""增加一行或一列
如果想增加一行或一列的话，要怎么做呢？
import numpy as nparr = np.arange(0, 12).reshape(3, 4)print(arr)"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]"""# 在尾部增加一行，注意：这里的维度一定要匹配，指定 [0, 0, 0, 0] 是不行的，因为 arr 是一个二维数组print(np.append(arr, [[0, 0, 0, 0]], axis=0))"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [ 0 0 0 0]]"""# 在尾部增加一列，维度同样要匹配print(np.append(arr, [[0], [0], [0]], axis=1))"""[[ 0 1 2 3 0] [ 4 5 6 7 0] [ 8 9 10 11 0]]"""如果不指定 axis，那么仍然会将传递的数组扁平化，然后进行追加：
arr = np.array([[1, 2, 3], [4, 5, 6]])print(arr)print(np.append(arr, 0)) # [1 2 3 4 5 6 0]print(np.append(arr, [0, 0])) # [1 2 3 4 5 6 0 0]print(np.append(arr, [[0, 0]])) # [1 2 3 4 5 6 0 0]append 默认是在尾部进行追加，并且还要求维度要匹配，不是很方便。所以这里更推荐 insert 函数：
import numpy as nparr = np.arange(0, 12).reshape(3, 4)print(arr)"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]"""# 索引为 1 的位置插入一行，值全为 0print(np.insert(arr, 1, 0, axis=0))"""[[ 0 1 2 3] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]]"""# 或者我们也可以手动指定print(np.insert(arr, 1, [0, 0, 0, 0], axis=0))"""[[ 0 1 2 3] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]]"""# 二维数组也是可以的print(np.insert(arr, 1, [[0, 0, 0, 0], [0, 0, 0, 0]], axis=0))"""[[ 0 1 2 3] [ 0 0 0 0] [ 0 0 0 0] [ 4 5 6 7] [ 8 9 10 11]]"""# 插入一列，注意元素个数要匹配，每一列是 3 个元素print(np.insert(arr, 1, [[0, 0, 0], [0, 0, 0]], axis=1))"""[[ 0 0 0 1 2 3] [ 4 0 0 5 6 7] [ 8 0 0 9 10 11]]"""我们看到 insert 比 append 要方便很多，并且功能也更加强大一些，并且 append 完全可以使用 insert 实现，举个栗子：
import numpy as nparr = np.arange(0, 12).reshape(3, 4)print(arr)"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]"""# 在尾部增加一行print(np.insert(arr, arr.shape[0], 0, axis=0))"""[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [ 0 0 0 0]]"""# 在尾部增加一列print(np.insert(arr, arr.shape[1], 0, axis=1))"""[[ 0 1 2 3 0] [ 4 5 6 7 0] [ 8 9 10 11 0]]"""最后，如果 insert 不指定维度，那么也是会先将数组扁平化，然后在进行 insert，举个栗子：
arr = np.array([[1, 2, 3], [4, 5, 6]])print(np.insert(arr, 1, [0, 0])) # [1 0 0 2 3 4 5 6]以上就是关于“numpy怎么增加维度和删除维度”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网行业资讯频道。
