这篇“numpy怎么增加维度和删除维度”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“numpy怎么增加维度和删除维度”文章吧。
楔子
在 TensorFlow 中，可以给一个 tensor 增加一个维度、删除一个维度，那么在 Numpy 中该怎么呢？
删除维度、增加维度
先来看看如何增加一个维度：
import numpy as np
arr = np.array([[[1, 2, 3], [2, 3, 4]]])
print(arr)
"""
[[[1 2 3]
[2 3 4]]]
"""
print(arr.shape) # (1, 2, 3)
# 事实上第一个维度我们是不需要的，因为在该维度上数组的长度是 1
# 删除第 1 个维度，我们看到已经改变了
print(np.squeeze(arr, 0))
"""
[[1 2 3]
[2 3 4]]
"""但是注意：只有数组长度在该维度上为 1，那么该维度才可以被删除。如果不是1，那么删除的话会报错。
import numpy as np
arr = np.array([[[1, 2, 3], [2, 3, 4]]])
print(arr.shape) # (1, 2, 3)
try:
# 删除第二个维度，显然在第二个维度上数组的长度是 2，不是 1
# 所以它不能被删除
print(np.squeeze(arr, 1))
except Exception as e:
print(e) # cannot select an axis to squeeze out which has size not equal to one删除只能删除数组长度为 1 所对应的维度，同理添加也是添加一个维度也只是让数组在这个维度上的长度变成 1，因为数组本来不存在这个维度的，但是我们强行加上了一个维度，那么数组在这个维度上的长度只能是 1。
import numpy as np
arr = np.array([[1, 2, 3], [2, 3, 4]])
print(arr.shape) # (2, 3)
# 很好理解
print(np.expand_dims(arr, 0).shape) # (1, 2, 3)
print(np.expand_dims(arr, 1).shape) # (2, 1, 3)
print(np.expand_dims(arr, 2).shape) # (2, 3, 1)
arr = np.array([1, 2, 3])
print(np.expand_dims(arr, 0))
"""
[[1 2 3]]
"""
print(np.expand_dims(arr, 1))
"""
[[1]
[2]
[3]]
"""以上就实现了数组维度的删除和增加，因为数组的元素是固定的，所以在删除维度和增加维度时，数组在该维度上的长度必须是 1。
另外，变化维度还可以使用 reshape，比如 arr 的维度是 (2, 1, 3)，我们把第二个维度给去掉的话，那么直接 arr.reshape((2, 3)) 即可，增加维度也是同理，只要变化维度前后的元素个数不变即可。
import numpy as np
arr = np.array([[1, 2, 3], [2, 3, 4]])
print(arr.shape) # (2, 3)
arr1 = arr.reshape((2, 1, 1, 3))
print(arr1)
"""
[[[[1 2 3]]]
[[[2 3 4]]]]
"""
print(arr1.shape) # (2, 1, 1, 3)
print(np.all(arr1.reshape((2, 3)) == arr)) # True最后，增加维度还有一种做法，但用的不多，举个栗子：
import numpy as np
arr = np.array([[1, 2, 3], [2, 3, 4]])
print(arr.shape) # (2, 3)
# 将维度变成 (2, 1, 3, 1, 1)
arr1 = arr[:, np.newaxis, :, np.newaxis, np.newaxis]
print(arr1.shape) # (2, 1, 3, 1, 1)
# np.newaxis 等价于 None
print(arr[:, None, :, None, None].shape) # (2, 1, 3, 1, 1)
# 使用 : 的部分和之前的维度是对应的，np.newaxis 或者 None 可以理解成 1
# 因此最终得到的数组的维度就是 (2, 1, 3, 1, 1)
# 再以一维数组为例
arr = np.array([1, 2, 3])
print(arr)
"""
[1 2 3]
"""
# 得到的数组的 shape 为 (1, 3)
print(arr[None, :])
"""
[[1 2 3]]
"""
# 得到的数组的 shape 为 (3, 1)
print(arr[:, None])
"""
[[1]
[2]
[3]]
"""删除、增加一行或一列
说实话，改变数组的维度不是特别常见，更常见的是删除数组的一行或者一列，举个栗子：
# 原始数组
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
# 我们希望删除一行
[[ 0 1 2 3]
[ 8 9 10 11]]
# 或者删除一列
[[ 0 2 3]
[ 4 6 7]
[ 8 10 11]]这种需求相对来说更加常见一些，那么应该怎么做呢？我们来看一下。
删除一行或一列
首先是删除：
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 假设删除第二行
print(np.delete(arr, [1], axis=0))
"""
[[ 0 1 2 3]
[ 8 9 10 11]]
"""
# 删除第一行和第三行
print(np.delete(arr, [0, 2], axis=0))
"""
[[4 5 6 7]]
"""
# 删除前两行，slice(0, 2) 也可以换成 np.s_[0: 2]
print(np.delete(arr, slice(0, 2), axis=0))
"""
[[ 8 9 10 11]]
"""删除列的话也是同理，只需要将 axis=0 换成 axis=1 即可，注意：如果不指定 axis 或者 axis 指定为 None，那么会 np.delete 会将传递的数组扁平化（变成一维数组），然后进行删除。举个栗子：
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
"""
[[1 2 3]
[4 5 6]]
"""
# 会将 arr 扁平化处理，然后删除索引为 1 的元素，因此要注意 axis 参数
print(np.delete(arr, [1]))
"""
[1 3 4 5 6]
"""增加一行或一列
如果想增加一行或一列的话，要怎么做呢？
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 在尾部增加一行，注意：这里的维度一定要匹配，指定 [0, 0, 0, 0] 是不行的，因为 arr 是一个二维数组
print(np.append(arr, [[0, 0, 0, 0]], axis=0))
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[ 0 0 0 0]]
"""
# 在尾部增加一列，维度同样要匹配
print(np.append(arr, [[0], [0], [0]], axis=1))
"""
[[ 0 1 2 3 0]
[ 4 5 6 7 0]
[ 8 9 10 11 0]]
"""如果不指定 axis，那么仍然会将传递的数组扁平化，然后进行追加：
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
print(np.append(arr, 0)) # [1 2 3 4 5 6 0]
print(np.append(arr, [0, 0])) # [1 2 3 4 5 6 0 0]
print(np.append(arr, [[0, 0]])) # [1 2 3 4 5 6 0 0]append 默认是在尾部进行追加，并且还要求维度要匹配，不是很方便。所以这里更推荐 insert 函数：
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 索引为 1 的位置插入一行，值全为 0
print(np.insert(arr, 1, 0, axis=0))
"""
[[ 0 1 2 3]
[ 0 0 0 0]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 或者我们也可以手动指定
print(np.insert(arr, 1, [0, 0, 0, 0], axis=0))
"""
[[ 0 1 2 3]
[ 0 0 0 0]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 二维数组也是可以的
print(np.insert(arr, 1, [[0, 0, 0, 0], [0, 0, 0, 0]], axis=0))
"""
[[ 0 1 2 3]
[ 0 0 0 0]
[ 0 0 0 0]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 插入一列，注意元素个数要匹配，每一列是 3 个元素
print(np.insert(arr, 1, [[0, 0, 0], [0, 0, 0]], axis=1))
"""
[[ 0 0 0 1 2 3]
[ 4 0 0 5 6 7]
[ 8 0 0 9 10 11]]
"""我们看到 insert 比 append 要方便很多，并且功能也更加强大一些，并且 append 完全可以使用 insert 实现，举个栗子：
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
"""
# 在尾部增加一行
print(np.insert(arr, arr.shape[0], 0, axis=0))
"""
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[ 0 0 0 0]]
"""
# 在尾部增加一列
print(np.insert(arr, arr.shape[1], 0, axis=1))
"""
[[ 0 1 2 3 0]
[ 4 5 6 7 0]
[ 8 9 10 11 0]]
"""最后，如果 insert 不指定维度，那么也是会先将数组扁平化，然后在进行 insert，举个栗子：
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.insert(arr, 1, [0, 0])) # [1 0 0 2 3 4 5 6]