如下所示：

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

np.newaxis 在使用和功能上等價於 None，檢視原始碼發現：newaxis = None，其實就是 None 的一個別名。

1. np.newaxis 的實用

>> x = np.arange(3)
>> x
array([0,1,2])
>> x.shape
(3,)

>> x[:,np.newaxis]
array([[0],[1],[2]])

>> x[:,None]
array([[0],np.newaxis].shape
 (3,1)

2. 索引多維陣列的某一列時返回的是一個行向量

>>> X = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
>>> X[:,1]
array([2,10])    % 這裡是一個行
>>> X[:,1].shape    % X[:,1] 的用法完全等同於一個行，而不是一個列，
(3,)

如果我們索引多維陣列的某一列時，返回的仍然是列的結構，一種正確的索引方式是：

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

如果想實現第二列和第四列的拼接（層疊）：

>>>X_sub = np.hstack([X[:,np.newaxis],X[:,3][:,np.newaxis]])      
          % hstack：horizontal stack，水平方向上的層疊
>>>X_sub
array([[2,4]
   [6,8]
   [10,12]])

當然更為簡單的方式還是使用切片：

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

3. 使用 np.expand_dims

>> X = np.random.randint(0,9,(2,3))
>> mean_X = np.mean(X,axis=0)
>> X - mean_X           # 這樣做是沒有問題的

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

此時便需要手動的調整 mean_X 的維度，使其能夠 broadcast，有以下三種方式，在指定的軸上進行 broadcast：

mean_X[:,None]

mean_X[:,np.newaxis]

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

以上這篇np.newaxis 實現為 numpy.ndarray(多維陣列)增加一個軸就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。