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。
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))- 1
输出1：
#x 为：
array([[0, 1],
[2, 3]])- 1
- 2
- 3
代码2：
import numpy as np
x.transpose()- 1
- 2
输出2：
array([[0, 2],
[1, 3]])- 1
- 2
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))- 1
输出3：
# x 没有变化
array([[0, 1],
[2, 3]])- 1
- 2
- 3
代码4：
x.transpose((1,0))- 1
输出4：
# x 转置了
array([[0, 2],
[1, 3]])- 1
- 2
- 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- 1
- 2
- 3
- 4
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：- 1
- 2
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)- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
输出7：
A = array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]])- 1
- 2
- 3
- 4
- 5
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- 1
- 2
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- 1
后面不同的参数以此类推。
完。