
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
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13