如下所示：
type(np.newaxis) NoneType np.newaxis == None True
np.newaxis 在使用和功能上等价于 None，查看源码发现：newaxis = None，其实就是 None 的一个别名。
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, )
如果我们索引多维数组的某一列时，返回的仍然是列的结构，一种正确的索引方式是：
>X[:, 1][:, np.newaxis] array([[2], [6], [10]])
如果想实现第二列和第四列的拼接（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]])
当然更为简单的方式还是使用切片：
X[:, [1, 3]]
array([[ 2, 4],
[ 6, 8],
[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 # 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,)
此时便需要手动的调整 mean_X 的维度，使其能够 broadcast，有以下三种方式，在指定的轴上进行 broadcast：
mean_X[:, None]
mean_X[:, np.newaxis]
mean_X = np.expand_dims(mean_X, axis=1)
以上这篇np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。