comment est-axe indexé dans numpy du tableau?

De Numpy du tutoriel, l'axe peut être indexé avec des entiers, comme 0 est pour la colonne, 1 est pour la ligne, mais je ne comprends pas bien pourquoi ils sont indexés de cette façon? Et Comment puis-je figure sur chaque axe de l'indice lors de l'adaptation avec tableau multidimensionnel?

  • 0 devraient consulter les lignes et les 1 doivent se référer aux colonnes. Je soupçonne que vous pensez, par exemple, de .sum(axis=0) qui sommes le long des lignes (production totaux de colonne).
  • oui c'est ce que je veux dire, comment puis-je connaître l'indice de chaque axe?
InformationsquelleAutor Alcott | 2013-06-13
  1. 106

    Par définition, le numéro de l'axe de la dimension est l'indice de cette dimension dans le tableau de shape. C'est également la position utilisée pour accéder à cette dimension lors de l'indexation.

    Par exemple, si un tableau 2D a a la forme (5,6), puis vous pouvez accéder à a[0,0] jusqu'à a[4,5]. L'axe 0 est donc la première dimension (les "lignes"), et l'axe 1 est la deuxième dimension (les "colonnes"). Dans les dimensions supérieures, où les "lignes" et "colonnes" arrêter vraiment de sens, essayez de penser à des axes en termes de formes et indices concernés.

    Si vous ne .sum(axis=n), par exemple, alors la dimension n est effondré et supprimé, à chaque valeur de la matrice est égale à la somme de la correspondante s'est effondré valeurs. Par exemple, si b a la forme (5,6,7,8), et vous ne c = b.sum(axis=2), puis l'axe 2 (dimension avec la taille 7) est effondré, et le résultat est de la forme (5,6,8). En outre, c[x,y,z] est égale à la somme de tous les éléments b[x,y,:,z].

    • Merci pour cette réponse. Il clarifier les choses beaucoup pour moi.
    • cela peut aider à visualiser les youtu.être/gtejJ3RCddE?t=2h38m15s
    • Merci beaucoup, @nneonneo. Enfin, je comprends. Maintenant, je suis curieux de savoir à propos de votre explication. Je n'ai pas trouvé dans l'officiel documentation. Où avez-vous étudié à partir de? Si c'est votre création puis veuillez indiquer si vous avez un blog ou qqch où je peux apprendre plus de ces.
    • StackOverflow est mon blog pour ce genre de choses...il suffit de parcourir mes autres NumPy réponses 🙂
    • pour ce tableau (5,6,8) est de 5 le nombre de lignes ou 6? comment vous représentez-vous cela? colonnes et les lignes de profondeur? ou la profondeur des rangées de colonnes?
    • comme je l'ai dit, c'est un peu dur à appliquer ces termes à un tableau 3D. La position de la "profondeur" de canal dépend de l'application et de la convention - parfois, c'est 0, parfois 2, parfois, il ne fait pas de sens d'avoir une "profondeur" de canal à tous.

    InformationsquelleAutor nneonneo
  2. 23

    Si quelqu'un besoin de cette description visuelle:

    comment est-axe indexé dans numpy du tableau?

    InformationsquelleAutor debaonline4u
  3. 10

    Vous pouvez saisir l'axe de cette façon:

    >>> a = np.array([[[1,2,3],[2,2,3]],[[2,4,5],[1,3,6]],[[1,2,4],[2,3,4]],[[1,2,4],[1,2,6]]])
array([[[1, 2, 3],
    [2, 2, 3]],

   [[2, 4, 5],
    [1, 3, 6]],

   [[1, 2, 4],
    [2, 3, 4]],

   [[1, 2, 4],
    [1, 2, 6]]])
>>> a.shape
(4,2,3)

    J'ai créé un tableau d'une forme avec des valeurs différentes(4,2,3) de sorte que vous pouvez dire à la structure clairement. Axes différents moyens différents "couche".

    Qui est, axis = 0 de l'indice de la première dimension de la forme (4,2,3). Il se réfère aux tableaux dans la première []. Il y a 4 éléments, de sorte que sa forme est 4:

      array[[1, 2, 3],
        [2, 2, 3]],

  array[[2, 4, 5],
        [1, 3, 6]],

  array[[1, 2, 4],
        [2, 3, 4]],

  array[[1, 2, 4],
        [1, 2, 6]]

    axis = 1 indice de la deuxième dimension de la forme(4,2,3). Il y a 2 éléments dans chaque tableau de la couche: axis = 0,e.c. Dans le tableau de 

     array[[1, 2, 3],
       [2, 2, 3]]

    .
    Les deux éléments sont les suivants:

    array[1, 2, 3]

array[2, 2, 3]

    Et la troisième forme de la valeur, c'est il y a 3 éléments dans chaque élément du tableau de couche: axis = 2. e.c. Il y a 3 éléments dans array[1, 2, 3]. C'est explicite.

    Et aussi, vous pouvez dire à l'axe/dimensions à partir du nombre de [] au début ou à la fin. Dans ce cas, le nombre est de 3([[[), de sorte que vous pouvez choisir axis de axis = 0, axis = 1 et axis = 2.

    • pourrait tu veux corriger 4,3,2 à 4,2,3 🙂
    • C'est la plupart des réponses utiles sur ce sujet. Je souhaite qu'il a été plus élevés dans la liste.
    • Corrigé 😛 @PirateApp
    • Doux 😛 @SuryaSharma
    InformationsquelleAutor Lyn
  4. 5

    En général, axis = 0, signifie que toutes les cellules avec la première dimension variant à chaque valeur de la 2ème dimension et de la 3ème dimension et ainsi de suite

    Par exemple , le tableau en 2 dimensions a deux axes: le premier cours d'exécution verticalement vers le bas à travers les lignes (axe 0), et la deuxième traversant horizontalement colonnes (axe 1)

    Pour la 3D, il devient complexe, donc, l'utilisation de multiples boucles for

    >>> x = np.array([[[ 0,  1,  2],
[ 3,  4,  5],
[ 6,  7,  8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
>>> x.shape #(3, 3, 3)
#axis = 0 
>>> for j in range(0, x.shape[1]):
for k in range(0, x.shape[2]):
print( "element = ", (j,k), " ", [ x[i,j,k] for i in range(0, x.shape[0]) ])
...
element =  (0, 0)   [0, 9, 18]             #sum is 27
element =  (0, 1)   [1, 10, 19]            #sum is 30
element =  (0, 2)   [2, 11, 20]
element =  (1, 0)   [3, 12, 21]
element =  (1, 1)   [4, 13, 22]
element =  (1, 2)   [5, 14, 23]
element =  (2, 0)   [6, 15, 24]
element =  (2, 1)   [7, 16, 25]
element =  (2, 2)   [8, 17, 26]
>>> x.sum(axis=0)            
array([[27, 30, 33],
[36, 39, 42],
[45, 48, 51]])
#axis = 1    
for i in range(0, x.shape[0]):
for k in range(0, x.shape[2]):
print( "element = ", (i,k), " ", [ x[i,j,k] for j in range(0, x.shape[1]) ])
element =  (0, 0)   [0, 3, 6]      #sum is 9 
element =  (0, 1)   [1, 4, 7]
element =  (0, 2)   [2, 5, 8]
element =  (1, 0)   [9, 12, 15]
element =  (1, 1)   [10, 13, 16]
element =  (1, 2)   [11, 14, 17]
element =  (2, 0)   [18, 21, 24]
element =  (2, 1)   [19, 22, 25]
element =  (2, 2)   [20, 23, 26]
# for sum, axis is the first keyword, so we may omit it,
>>> x.sum(0), x.sum(1), x.sum(2)
(array([[27, 30, 33],
[36, 39, 42],
[45, 48, 51]]),
array([[ 9, 12, 15],
[36, 39, 42],
[63, 66, 69]]),
array([[ 3, 12, 21],
[30, 39, 48],
[57, 66, 75]]))
    InformationsquelleAutor ndas