本文主要是介绍np.sum() 用法 np.log() 用法 np.expand_dims() 用法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
import numpy as np# axis = 0表示对最外层[]里的最大单位块做块与块之间的运算,同时移除最外层[]：
a = np.array([1, 2, 3])
print(a.sum(axis=0))
"""
6
"""a = np.array([[1, 2], [3, 4]])
print(a.sum(axis=0))
"""
[4 6]
"""a = np.array([[[1, 2], [3, 4]], [[11, 12], [13, 14]]])
print(a)
print(a.sum(axis=0))
"""
[[[ 1 2][ 3 4]][[11 12][13 14]]][[12 14][16 18]]
"""# axis= 1表示对第二外层[]里的最大单位块做块与块之间的运算,同时移除第二外层[]：
a = np.array([[1, 2], [3, 4]])
print(a.sum(axis=1))
"""
有两层[]，第二外层[]里的最大单位块有两组（因为有两个第二外层[]），第一组是1，2，第二组是3，4，分别对这两个单位块做块与块之间的运算，第一组结果为1+2=3，第二组结果为3+4=7；
做完加法后本应是[[3],[7]]，但是**移除第二外层[]**后，原来的两层[]变成一层[],所以返回结果为[3, 7]。
"""# ------------ np.log -----------------
print(np.log(np.e)) #log下什么都不写默认是自然对数
"""
1.0
"""print(np.log10(100)) #log10是以10为底的
"""
2.0
"""# ------------ np.expand_dims -----------------
"""
np.array([1, 2, 3])
当你看以上数组时，从1到2，到3。这就是所谓的axis=0轴
np.array([ [1, 2], [3, 4], [4, 5] ]) 再用相同的方法，看上面数组，首先是从[1, 2]到 [3, 4]到[4, 5]。这就是从0轴视角看的数据，当我们选择0轴所在的第一个元素[1, 2]时，
我们看到的是从1到2。这就是从1轴看到的数据。假若有n维数据，axis=0表示最外面括号说包含的里面所有内容，axis=1表示第2个括号里面所包含所有内容，比如：[[[内容1],[内容2]]]。
"""print("---"*15)
a = np.array([1, 2, 3, 4, 5])
b = a[np.newaxis, :] # 插在最前面，从左到右，就按照从高维到低维位置排，在最面加个括号，增加了一维
print(a, "\n", b)
"""
[1 2 3 4 5] [[1 2 3 4 5]]
"""print("---"*15)
a = np.array([1, 2, 3, 4, 5])
b = a[:, np.newaxis] # 插在最前面，从左到右，就按照从高维到低维位置排，在最面加个括号，增加了一维
print(a, "\n", b)
"""
[1 2 3 4 5] [[1][2][3][4][5]]
"""print("---"*15)
x = np.array([1, 2])
print("x ->", x)
print("x.shape->",x.shape)
y = np.expand_dims(x, axis=0)
print("y->", y)
print("y.shape->",y.shape)
"""
x -> [1 2]
x.shape-> (2,)
y-> [[1 2]]
y.shape-> (1, 2)
"""print("---"*15)
x = np.array([1, 2])
print("x ->", x)
print("x.shape->",x.shape)
y = np.expand_dims(x, axis=1)
print("y->", y)
print("y.shape->",y.shape)
"""
x -> [1 2]
x.shape-> (2,)
y-> [[1][2]]
y.shape-> (2, 1)
"""print("---"*15)
x = np.array([[1, 2, 3], [4, 5, 6]])
print("x -> \n", x)
print("x.shape -> \n", x.shape)
y = np.expand_dims(x, axis=0)
print("y -> \n", y)
print("y.shape -> \n", y.shape)
"""
x -> [[1 2 3][4 5 6]]
x.shape -> (2, 3)
y -> [[[1 2 3][4 5 6]]]
y.shape -> (1, 2, 3)
"""
print("---"*15)
x = np.array([[1, 2, 3], [4, 5, 6]])
print("x -> \n", x)
print("x.shape -> \n", x.shape)
y = np.expand_dims(x, axis=1)
print("y -> \n", y)
print("y.shape -> \n", y.shape)
"""
x -> [[1 2 3][4 5 6]]
x.shape -> (2, 3)
y -> [[[1 2 3]][[4 5 6]]]
y.shape -> (2, 1, 3)
"""print("---"*15)
x = np.array([[1, 2, 3], [4, 5, 6]])
print("x -> \n", x)
print("x.shape -> \n", x.shape)
# y = np.expand_dims(x, axis=-1)
y = np.expand_dims(x, axis=2)
print("y -> \n", y)
print("y.shape -> \n", y.shape)
"""
x -> [[1 2 3][4 5 6]]
x.shape -> (2, 3)
y -> [[[1][2][3]][[4][5][6]]]
y.shape -> (2, 3, 1)
"""
参考链接：
https://blog.csdn.net/qq_35860352/article/details/80463111
这篇关于np.sum() 用法 np.log() 用法 np.expand_dims() 用法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
