背景：
很多数据计算都是在二维或三维的，对于一维的数据输入为了形状匹配，经常需要升维变成二维
需要：
在不改变是数据的情况下，添加数组维度；（注意观察这个例子，维度变了，但数据没变）
原始数组：一维数组arr=[1, 2, 3, 4]，其shape是（4，），取值分别为arr[0], arr[1], arr[2], arr[3]
变形数组：二维数组arr=[[1, 2, 3, 4]]，其shape是（1， 4），取值分别为arr[0, 0], arr[0, 1], arr[0, 2], arr[0, 3]
实操：
经常需要在纸上手绘数组的形状，来查看不同数组是否形状匹配，是否需要升维降维
3种方法：
np.newaxis：关键字，使用索引的语法给数组添加维度
np.expand_dims(arr, axis)：方法，和np.newaxis实现一样的功能，给arr在axis位置添加维度
np.reshape(a, newshape)：方法，给一个维度设置为1完成升维
import numpy as np
import numpy as np
In [2]:
arr = np.arange(5) arr
Out[2]:
array([0, 1, 2, 3, 4])
In [3]:
# 注意，当前是一维向量 arr.shape
Out[3]:
(5,)方法1：np.newaxis关键字 注意：np.newaxis其实就是None的别名
In [4]:
np.newaxis is None
Out[4]:
True
In [5]:
np.newaxis == None
Out[5]:
True
即一下所有的np.newaxis的位置，都可以用None替代
给一维向量添加一个行维度In [6]:
arr[np.newaxis, :]
Out[6]:
array([[0, 1, 2, 3, 4]])
In [7]:
arr[np.newaxis, :].shape
Out[7]:
(1, 5)
数据现在是一行五列，数据本身没有增减，只是多了一级括号
给一维向量添加一个列维度In [10]:
arr[:,np.newaxis]
Out[10]:
array([[0],
[1],
[2],
[3],
[4]])
In [11]:
arr[:,np.newaxis].shape
Out[11]:
(5, 1)
现在是五行一列
方法2：np.expand_dims方法np.expand_dims方法实现的效果，和np.newaxis关键字是一模一样的
In [12]:
arr
Out[12]:
array([0, 1, 2, 3, 4])给一维数组添加一个行维度
相当于arr[np.newaxis, arr]
In [13]:
np.expand_dims(arr, axis=0)
Out[13]:
array([[0, 1, 2, 3, 4]])
In [14]:
np.expand_dims(arr, axis=0).shape
Out[14]:
(1, 5)给一维数组添加一个列维度
相当于arr[arr, np.newaxis]
In [15]:
np.expand_dims(arr, axis=1)
Out[15]:
array([[0],
[1],
[2],
[3],
[4]])
In [16]:
np.expand_dims(arr, axis=1).shape
Out[16]:
(5, 1)方法3：np.reshape方法 给一维数组添加一个行维度
In [17]:
arr
Out[17]:
array([0, 1, 2, 3, 4])
In [18]:
np.reshape(arr, (1, 5))
Out[18]:
array([[0, 1, 2, 3, 4]])
In [19]:
np.reshape(arr, (1, -1))
Out[19]:
array([[0, 1, 2, 3, 4]])
In [20]:
np.reshape(arr, (1, -1)).shape
Out[20]:
(1, 5)给一维数组添加一个列维度
In [21]:
np.reshape(arr, (-1, 1))
Out[21]:
array([[0],
[1],
[2],
[3],
[4]])
In [22]:
np.reshape(arr, (-1, 1)).shape
Out[22]:
(5, 1)
