前言
看Python代码时，碰见 numpy.transpose 用于高维数组时挺让人费解，通过一番画图分析和代码验证，发现 transpose 用法还是很简单的。
注：评论中说的三维坐标图中的 0 1 2 3 标反了，已经修正，感谢大家提醒（2019.02）。
正文
Numpy 文档 numpy.transpose 中做了些解释，transpose 作用是改变序列，下面是一些文档Examples：
代码1：
x = np.arange(4).reshape((2,2))
输出1：
#x 为：
array([[0, 1],
[2, 3]])
代码2：
import numpy as np x.transpose()
输出2：
array([[0, 2],
[1, 3]])
对于二维 ndarray，transpose在不指定参数是默认是矩阵转置。如果指定参数，有如下相应结果：
代码3：
x.transpose((0,1))
输出3：
# x 没有变化
array([[0, 1],
[2, 3]])
代码4：
x.transpose((1,0))
输出4：
# x 转置了
array([[0, 2],
[1, 3]])
这个很好理解：
对于x，因为：
代码5：
x[0][0] == 0 x[0][1] == 1 x[1][0] == 2 x[1][1] == 3
我们不妨设第一个方括号“[]”为 0轴 ，第二个方括号为 1轴 ，则x可在 0-1坐标系 下表示如下：
代码6：
因为 x.transpose((0,1)) 表示按照原坐标轴改变序列，也就是保持不变
而 x.transpose((1,0)) 表示交换 ‘0轴’ 和 ‘1轴’，所以就得到如下图所示结果：
注意，任何时候你都要保持清醒，告诉自己第一个方括号“[]”为 0轴 ，第二个方括号为 1轴
此时，transpose转换关系就清晰了。
我们来看一个三维的：
代码7：
import numpy as np # A是array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]) A = np.arange(16) # 将A变换为三维矩阵 A = A.reshape(2,2,4) print(A)
输出7：
A = array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
我们对上述的A表示成如下三维坐标的形式：
所以对于如下的变换都很好理解啦：
代码8：
A.transpose((0,1,2)) #保持A不变 A.transpose((1,0,2)) #将 0轴 和 1轴 交换
将 0轴 和 1轴 交换：
此时，输出
代码9：
A.transpose((1,0,2)) [0][1][2] #根据上图这个结果应该是10
后面不同的参数以此类推。
到此这篇关于Python numpy.transpose使用详解的文章就介绍到这了,更多相关Python numpy.transpose内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！