Numpy中的transpose的用法
2018-03-08 本文已影响550人
快点学
一、首先要理解高维矩阵的形式：
import numpy as np
# 多维n * m数组含义 # reshape的第一个参数可以理解为个数，3个2*4的矩阵 arr = np.arange(24).reshape((3, 2, 4))
# 2个3个10*10的矩阵 pic = np.arange(600).reshape(2, 3, 10, 10)
print('pic :', pic)
print(pic[0, 1, 0, 0])
print('arr :',arr)
print(arr[0, 0, 0])
print(arr[0, 0])
print(arr[2, 1, 3]) # 第一个参数表示第几维，第二个参数表示该维第几行， 第三个参数表示该行第几列
结果：
pic : [[[[ 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 27 28 29]
[ 30 31 32 33 34 35 36 37 38 39]
[ 40 41 42 43 44 45 46 47 48 49]
[ 50 51 52 53 54 55 56 57 58 59]
[ 60 61 62 63 64 65 66 67 68 69]
[ 70 71 72 73 74 75 76 77 78 79]
[ 80 81 82 83 84 85 86 87 88 89]
[ 90 91 92 93 94 95 96 97 98 99]]
[[100 101 102 103 104 105 106 107 108 109]
[110 111 112 113 114 115 116 117 118 119]
[120 121 122 123 124 125 126 127 128 129]
[130 131 132 133 134 135 136 137 138 139]
[140 141 142 143 144 145 146 147 148 149]
[150 151 152 153 154 155 156 157 158 159]
[160 161 162 163 164 165 166 167 168 169]
[170 171 172 173 174 175 176 177 178 179]
[180 181 182 183 184 185 186 187 188 189]
[190 191 192 193 194 195 196 197 198 199]]
[[200 201 202 203 204 205 206 207 208 209]
[210 211 212 213 214 215 216 217 218 219]
[220 221 222 223 224 225 226 227 228 229]
[230 231 232 233 234 235 236 237 238 239]
[240 241 242 243 244 245 246 247 248 249]
[250 251 252 253 254 255 256 257 258 259]
[260 261 262 263 264 265 266 267 268 269]
[270 271 272 273 274 275 276 277 278 279]
[280 281 282 283 284 285 286 287 288 289]
[290 291 292 293 294 295 296 297 298 299]]]
[[[300 301 302 303 304 305 306 307 308 309]
[310 311 312 313 314 315 316 317 318 319]
[320 321 322 323 324 325 326 327 328 329]
[330 331 332 333 334 335 336 337 338 339]
[340 341 342 343 344 345 346 347 348 349]
[350 351 352 353 354 355 356 357 358 359]
[360 361 362 363 364 365 366 367 368 369]
[370 371 372 373 374 375 376 377 378 379]
[380 381 382 383 384 385 386 387 388 389]
[390 391 392 393 394 395 396 397 398 399]]
[[400 401 402 403 404 405 406 407 408 409]
[410 411 412 413 414 415 416 417 418 419]
[420 421 422 423 424 425 426 427 428 429]
[430 431 432 433 434 435 436 437 438 439]
[440 441 442 443 444 445 446 447 448 449]
[450 451 452 453 454 455 456 457 458 459]
[460 461 462 463 464 465 466 467 468 469]
[470 471 472 473 474 475 476 477 478 479]
[480 481 482 483 484 485 486 487 488 489]
[490 491 492 493 494 495 496 497 498 499]]
[[500 501 502 503 504 505 506 507 508 509]
[510 511 512 513 514 515 516 517 518 519]
[520 521 522 523 524 525 526 527 528 529]
[530 531 532 533 534 535 536 537 538 539]
[540 541 542 543 544 545 546 547 548 549]
[550 551 552 553 554 555 556 557 558 559]
[560 561 562 563 564 565 566 567 568 569]
[570 571 572 573 574 575 576 577 578 579]
[580 581 582 583 584 585 586 587 588 589]
[590 591 592 593 594 595 596 597 598 599]]]]
100
arr : [[[ 0 1 2 3]
[ 4 5 6 7]]
[[ 8 9 10 11]
[12 13 14 15]]
[[16 17 18 19]
[20 21 22 23]]]
0
[0 1 2 3]
23
二、transpose()使用
transpose()函数本质上是与shape相对应的，什么样的shape就有什么样的transpose()函数（参数个数）
reshape()初始化了各元素的位置（如：reshape(2[0], 1[1], 3[2]）注意下标，对应shape可以有transpose(0, 2, 1）这时行和列进行了交换由之前的1*3变成了3*1，同理有4个甚至是更多参数的对应)
transpose()则是重新调整了下标的位置（比起转置用“交换”一词更好理解，transpose能实现维度间的交换，简单理解就是把行数换成列数，把列数换成函数（不准确说法））
import numpy as np
# 多维n * m数组含义 # reshape的第一个参数可以理解为个数，3个2*4的矩阵 arr = np.arange(24).reshape((3, 2, 4))
# 2个3个10*10的矩阵 pic = np.arange(300).reshape(2, 3, 5, 10)
print('Before transpose() pic : \n', pic)
print('pic[0, 1, 0, 0] : ', pic[0, 1, 0, 0])
tpic = pic.transpose(0, 1, 3, 2)
print('After transpose() pic : \n', tpic)
print('arr :',arr)
print(arr[0, 0, 0])
print(arr[0, 0])
print(arr[2, 1, 3]) # 第一个参数表示第几维，第二个参数表示该维第几行， 第三个参数表示该行第几列
结果：
Before transpose() pic :
[[[[ 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 27 28 29]
[ 30 31 32 33 34 35 36 37 38 39]
[ 40 41 42 43 44 45 46 47 48 49]]
[[ 50 51 52 53 54 55 56 57 58 59]
[ 60 61 62 63 64 65 66 67 68 69]
[ 70 71 72 73 74 75 76 77 78 79]
[ 80 81 82 83 84 85 86 87 88 89]
[ 90 91 92 93 94 95 96 97 98 99]]
[[100 101 102 103 104 105 106 107 108 109]
[110 111 112 113 114 115 116 117 118 119]
[120 121 122 123 124 125 126 127 128 129]
[130 131 132 133 134 135 136 137 138 139]
[140 141 142 143 144 145 146 147 148 149]]]
[[[150 151 152 153 154 155 156 157 158 159]
[160 161 162 163 164 165 166 167 168 169]
[170 171 172 173 174 175 176 177 178 179]
[180 181 182 183 184 185 186 187 188 189]
[190 191 192 193 194 195 196 197 198 199]]
[[200 201 202 203 204 205 206 207 208 209]
[210 211 212 213 214 215 216 217 218 219]
[220 221 222 223 224 225 226 227 228 229]
[230 231 232 233 234 235 236 237 238 239]
[240 241 242 243 244 245 246 247 248 249]]
[[250 251 252 253 254 255 256 257 258 259]
[260 261 262 263 264 265 266 267 268 269]
[270 271 272 273 274 275 276 277 278 279]
[280 281 282 283 284 285 286 287 288 289]
[290 291 292 293 294 295 296 297 298 299]]]]
pic[0, 1, 0, 0] : 50
After transpose() pic :
[[[[ 0 10 20 30 40]
[ 1 11 21 31 41]
[ 2 12 22 32 42]
[ 3 13 23 33 43]
[ 4 14 24 34 44]
[ 5 15 25 35 45]
[ 6 16 26 36 46]
[ 7 17 27 37 47]
[ 8 18 28 38 48]
[ 9 19 29 39 49]]
[[ 50 60 70 80 90]
[ 51 61 71 81 91]
[ 52 62 72 82 92]
[ 53 63 73 83 93]
[ 54 64 74 84 94]
[ 55 65 75 85 95]
[ 56 66 76 86 96]
[ 57 67 77 87 97]
[ 58 68 78 88 98]
[ 59 69 79 89 99]]
[[100 110 120 130 140]
[101 111 121 131 141]
[102 112 122 132 142]
[103 113 123 133 143]
[104 114 124 134 144]
[105 115 125 135 145]
[106 116 126 136 146]
[107 117 127 137 147]
[108 118 128 138 148]
[109 119 129 139 149]]]
[[[150 160 170 180 190]
[151 161 171 181 191]
[152 162 172 182 192]
[153 163 173 183 193]
[154 164 174 184 194]
[155 165 175 185 195]
[156 166 176 186 196]
[157 167 177 187 197]
[158 168 178 188 198]
[159 169 179 189 199]]
[[200 210 220 230 240]
[201 211 221 231 241]
[202 212 222 232 242]
[203 213 223 233 243]
[204 214 224 234 244]
[205 215 225 235 245]
[206 216 226 236 246]
[207 217 227 237 247]
[208 218 228 238 248]
[209 219 229 239 249]]
[[250 260 270 280 290]
[251 261 271 281 291]
[252 262 272 282 292]
[253 263 273 283 293]
[254 264 274 284 294]
[255 265 275 285 295]
[256 266 276 286 296]
[257 267 277 287 297]
[258 268 278 288 298]
[259 269 279 289 299]]]]
arr : [[[ 0 1 2 3]
[ 4 5 6 7]]
[[ 8 9 10 11]
[12 13 14 15]]
[[16 17 18 19]
[20 21 22 23]]]
0
[0 1 2 3]
23
