numpy 中增加channel的方法


numpy 数组中一维怎么转二维和多维？简述 numpy 中增加channel的方法。

在机器学习中，所有的数据都是向量和矩阵，而怎么根据我们所要解决的问题来调整模型以及数据的格式，也就是矩阵的维度和大小是一项重要的基本功，那么本文就具体介绍下numpy中数组的转换，也就是增加channel的方法。

一维转二维

例如我们有一个一维的numpy array，有如下方法可以转为二维

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
a = np.arange(10)
a
a.shape
b = a[:,None]
b
b.shape
'''
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
(10,)
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])
(10, 1)
'''

可以看到，a确实被转为了二维，以下方法是一样的：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import numpy as np
c = a[:,np.newaxis]
c
(c == b).all()
np.newaxis == None
'''
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])
True
True
'''

转为多维

时间序列预测中，我们一般需要的是(sample，time_stamp，feature)的3 个channel的数据，即一个三维矩阵，包含若干个sample，每个sample包含若干个时间序列点，而每个时间序列点有包括若干个feature，哪怕我们只是做单变量的时间序列预测，输入RNN网络例如LSTM的时候，数据也必须是三维的格式，下面我们讲一讲这么做的方法。

例如我们有一个若干个时间点每个时间点有两个特征的数据，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
a = np.arange(24).reshape((-1,2))
a.shape
a
'''
(12, 2)
array([[ 0,  1],
       [ 2,  3],
       [ 4,  5],
       [ 6,  7],
       [ 8,  9],
       [10, 11],
       [12, 13],
       [14, 15],
       [16, 17],
       [18, 19],
       [20, 21],
       [22, 23]])
'''

我们将a转化为三个channel，即可以

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
b = a[:,None,:]
b.shape
b
'''
(12, 1, 2)
array([[[ 0,  1]],

       [[ 2,  3]],

       [[ 4,  5]],

       [[ 6,  7]],

       [[ 8,  9]],

       [[10, 11]],

       [[12, 13]],

       [[14, 15]],

       [[16, 17]],

       [[18, 19]],

       [[20, 21]],

       [[22, 23]]])
       '''

以上对应着pandas的Dataframe，及我们对Dataframe取values属性，会得到一个二维矩阵，做法就如同上面一样，但是如果是Series的话，取values属性得到的是一个一维的，这时候我们的做法则是，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

c = np.arange(12)
c
d = c[:,None,None]
d.shape
d
'''
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
(12, 1, 1)
array([[[ 0]],

       [[ 1]],

       [[ 2]],

       [[ 3]],

       [[ 4]],

       [[ 5]],

       [[ 6]],

       [[ 7]],

       [[ 8]],

       [[ 9]],

       [[10]],

       [[11]]])
'''

减少维度

若要减少数据的维度，我们可以用的方法如下，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
d = np.arange(12)[:,None,None]
d.shape
d
e = np.squeeze(d)
e.shape
e
'''(12, 1, 1)
array([[[ 0]],

       [[ 1]],

       [[ 2]],

       [[ 3]],

       [[ 4]],

       [[ 5]],

       [[ 6]],

       [[ 7]],

       [[ 8]],

       [[ 9]],

       [[10]],

       [[11]]])
(12,)
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])'''