numpy.transpose對三維數(shù)組的轉置方法
如下所示:
import numpy as np
三維數(shù)組
arr1 = np.arange(16).reshape((2, 2, 4)) #[[[ 0 1 2 3] # [ 4 5 6 7]] # [[ 8 9 10 11] # [12 13 14 15]]] arr2=arr1.transpose((1,0,2)) #[[[ 0 1 2 3] # [ 8 9 10 11]] # # [[ 4 5 6 7] # [12 13 14 15]]]
正序為(0,1,2),數(shù)組為
#[[[ 0 1 2 3] # [ 4 5 6 7]] # [[ 8 9 10 11] # [12 13 14 15]]]
為什么進過tanspose(1,0,2),數(shù)組變?yōu)?/p>
#[[[ 0 1 2 3] # [ 8 9 10 11]] # # [[ 4 5 6 7] # [12 13 14 15]]]
仔細觀察之后,可以看到轉置后的數(shù)組和轉置前的數(shù)組的區(qū)別就是第一頁的第二行和第二頁的第一行對換了,可是為什么?
當我用arr1[0,1,0],索引值為4
當我用arr2[1,0,0],索引值為4
對比索引參數(shù)表的變化和正序和轉置序的不同似乎存在某種聯(lián)系
對于arr1數(shù)組,索引參數(shù)表[0,0,x]可以表示第一頁的第一行,當前兩個參數(shù)對換之后,同一個元素的索引參數(shù)表并沒有變化
故arr2的第一頁第一行和arr1的第一頁第一行相同
對于arr1數(shù)組,索引參數(shù)表[0,1,x]可以表示第一頁第二行,當前兩個參數(shù)對換之后,同一個元素的索引值比如[0,1,0]變?yōu)閇1,0,0],
這就是解釋了索引值4的索引參數(shù)表的不同
大概就是這個思路所以transpose(1,0,2),數(shù)組的第一頁第二行和第二頁第一行對換
后面的四種轉置方式也大致是這個思路,仔細觀察一下,理解起來應該不難
arr3=arr1.transpose((0,2,1)) # [[[ 0 4] # [ 1 5] # [ 2 6] # [ 3 7]] # # [[ 8 12] # [ 9 13] # [10 14] # [11 15]]] arr4=arr1.transpose((2,0,1)) #[[[ 0 4] # [ 8 12]] # # [[ 1 5] # [ 9 13]] # # [[ 2 6] # [10 14]] # # [[ 3 7] # [11 15]]]
這里要注意的是,arr4數(shù)組變成4頁,這是因為頁碼和行碼對換之后,
頁碼從數(shù)量2,變成了4
而行碼從數(shù)量4,變成了2
arr5=arr1.transpose((2,1,0)) #[[[ 0 8] # [ 4 12]] # # [[ 1 9] # [ 5 13]] # # [[ 2 10] # [ 6 14]] # # [[ 3 11] # [ 7 15]]] arr6=arr1.transpose((1,2,0)) #[[[ 0 8] # [ 1 9] # [ 2 10] # [ 3 11]] # # [[ 4 12] # [ 5 13] # [ 6 14] # [ 7 15]]]
另外,轉置(2,0,1)可以看成,先轉置(0,2,1)再轉置(1,0,2)
轉置(2,1,0)可以看成,先轉置(1,0,2),然后轉置(0,2,1),最后轉置(1,0,2)
轉置(1,2,0)可以看成,先轉置(1,0,2),在轉置(0,2,1)
代碼可以寫成
arr4=arr1.transpose(0,2,1).transpose(1,0,2)
#[[[ 0 4] # [ 8 12]] # # [[ 1 5] # [ 9 13]] # # [[ 2 6] # [10 14]] # # [[ 3 7] # [11 15]]]
結果一樣!
以上這篇numpy.transpose對三維數(shù)組的轉置方法就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關文章
YOLOv5部署到web端詳細過程(flask+js簡單易懂)
YOLOv5是一個目標檢測模型,Flask是一個Python的Web框架,下面這篇文章主要給大家介紹了關于YOLOv5部署到web端(flask+js簡單易懂)的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2023-04-04