numpy中三维数组中加入元素后的位置详解
时间：2020-12-21 17:35:03 | 栏目：Python代码 | 点击：次
今天做数据处理时，遇到了从三维数组中批量加入二维数组的需求。其中三维数组在深度学习的特征数据处理时经常会使用到，所以读者有必要对该小知识点做到清楚了解并掌握。现对三维数组中的元素位置结合代码做详细归纳总结，方便日后查阅和为网友答疑！
图示效果图：
直接贴代码：
def test3D(): import numpy as np data_array = np.zeros((3, 5, 6), dtype=np.int) data_array[1, 2, 2] = 1 print(data_array)
介绍：通过np.zeros创建一个3行5列6个通道的三维数组，并给第二个通道的第一行第二列赋值1.
运行结果图：
分析： 有运行结果可知，创建了六个通道，在深度学习中这六个通道相当于六个Feature Map，对应结果图中的六列。
再向外看一层，共有三个块，每个块代表这个通道的第几行数据。
每个块里有五行数据，每一行代表每个通道的第几列数据
所以，代码中的赋值语句： data_array[1, 2, 2] = 1
表示为第2个通道，下标从0开始，所以在图中位置为第三列；第1行第2列，下标从0开始，所以图中表示第二个块的第三行；即为图中所示位置。
补充：三维数组的求和
多维数组的轴（axis=）是和该数组的size（或者shape）的元素是相对应的；
>>> np.random.seed(123) >>> X = np.random.randint(0, 5, [3, 2, 2]) >>> print(X) [[[5 2] [4 2]] [[1 3] [2 3]] [[1 1] [0 1]]] >>> X.sum(axis=0) array([[7, 6], [6, 6]]) >>> X.sum(axis=1) array([[9, 4], [3, 6], [1, 2]]) >>> X.sum(axis=2) array([[7, 6], [4, 5], [2, 1]])
如果将三维数组的每一个二维看做一个平面（plane，X[0, :, :], X[1, :, :], X[2, :, :]），三维数组即是这些二维平面层叠（stacked）出来的结果。则（axis=0）表示全部平面上的对应位置，（axis=1），每一个平面的每一列，（axis=2），每一个平面的每一行。