京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在 NumPy 中,可以使用 np.squeeze() 函数来删除值为 1 的维度。本文将详细介绍 np.squeeze() 函数的用法和示例。
np.squeeze() 函数?np.squeeze() 函数是 NumPy 库中的一个函数,用于从数组的形状中删除单维条目。如果将一个数组作为参数传递给 np.squeeze(),则该函数将返回一个新数组,其中所有维度为 1 的轴都被删除。此外,如果您希望只删除特定的维度,请在 np.squeeze() 函数的第二个参数中指定要删除的维度。
np.squeeze() 函数的语法np.squeeze() 函数的语法如下所示:
numpy.squeeze(arr, axis=None)
其中:
arr:需要压缩的数组。axis:默认为 None,表示删除所有维度为 1 的轴,也可以指定要删除的特定轴。np.squeeze() 函数的示例现在,让我们通过一些示例来了解 np.squeeze() 函数的使用。
假设有一个形状为 (1, 2, 1, 3) 的数组。使用 np.squeeze() 函数可以从数组中删除维度为 1 的轴,并返回形状为 (2, 3) 的新数组。
import numpy as np
a = np.ones((1, 2, 1, 3))
b = np.squeeze(a)
print("Shape of a:", a.shape)
print("Shape of b:", b.shape)
输出:
Shape of a: (1, 2, 1, 3)
Shape of b: (2, 3)
在这个例子中,我们将仅删除第二维和第四维。
import numpy as np
a = np.ones((1, 2, 3, 1, 4))
b = np.squeeze(a, axis=(1, 3))
print("Shape of a:", a.shape)
print("Shape of b:", b.shape)
输出:
Shape of a: (1, 2, 3, 1, 4)
Shape of b: (1, 3, 4)
np.squeeze() 函数可以方便地删除数组中单维条目。您可以使用它来删除特定轴上的值为 1 的维度,也可以使用它来删除所有维度为 1 的轴。希望本文能够对您理解 np.squeeze() 函数有所帮助。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12当前手游市场进入存量竞争时代,“拉新难、留存更难”成为行业普遍痛点。对于手游产品而言,用户留存率不仅直接决定产品的生命周 ...
2026-01-12在CDA(Certified Data Analyst)数据分析师的日常工作中,“挖掘变量间的关联关系”是高频核心需求——比如判断“用户停留时长 ...
2026-01-12在存量竞争时代,用户流失率直接影响企业的营收与市场竞争力。无论是电商、互联网服务还是金融行业,提前精准预测潜在流失用户, ...
2026-01-09在量化投资领域,多因子选股是主流的选股策略之一——其核心逻辑是通过挖掘影响股票未来收益的各类因子(如估值、成长、盈利、流 ...
2026-01-09在CDA(Certified Data Analyst)数据分析师的工作场景中,分类型变量的关联分析是高频需求——例如“用户性别与商品偏好是否相 ...
2026-01-09数据库中的历史数据,是企业运营过程中沉淀的核心资产——包含用户行为轨迹、业务交易记录、产品迭代日志、市场活动效果等多维度 ...
2026-01-08在电商行业竞争日趋激烈的当下,数据已成为驱动业务增长的核心引擎。电商公司的数据分析师,不仅是数据的“解读官”,更是业务的 ...
2026-01-08在数据驱动决策的链路中,统计制图是CDA(Certified Data Analyst)数据分析师将抽象数据转化为直观洞察的关键载体。不同于普通 ...
2026-01-08在主成分分析(PCA)的学习与实践中,“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分 ...
2026-01-07在教学管理、学生成绩分析场景中,成绩分布图是直观呈现成绩分布规律的核心工具——通过图表能快速看出成绩集中区间、高分/低分 ...
2026-01-07在数据分析师的工作闭环中,数据探索与统计分析是连接原始数据与业务洞察的关键环节。CDA(Certified Data Analyst)作为具备专 ...
2026-01-07在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06在数据驱动的建模与分析场景中,“数据决定上限,特征决定下限”已成为行业共识。原始数据经过采集、清洗后,往往难以直接支撑模 ...
2026-01-06在Python文件操作场景中,批量处理文件、遍历目录树是高频需求——无论是统计某文件夹下的文件数量、筛选特定类型文件,还是批量 ...
2026-01-05在神经网络模型训练过程中,开发者最担心的问题之一,莫过于“训练误差突然增大”——前几轮还平稳下降的损失值(Loss),突然在 ...
2026-01-05