numpy 的newaxis 和 concatenate函数应用
1.np.newaxis()
np.newaxis 的功能是增加新的维度，但是要注意 np.newaxis 放的位置不同，产生的矩阵形状也不同。
通常按照如下规则：
np.newaxis 放在哪个位置，就会给哪个位置增加维度
x[:, np.newaxis] ，放在后面，会给列上增加维度 x[np.newaxis, :] ，放在前面，会给行上增加维度
用途： 通常用它将一维的数据转换成一个矩阵，这样就可以与其他矩阵进行相乘。
例1：这里的 x 是一维数据，其 shape是 4，可以看到通过在列方向上增加新维度，变成了 4 x 1 的矩阵，也就是在 shape 的后面发生了变化。
x = np.array([1, 2, 3, 4]) print(x.shape) x_add = x[:, np.newaxis] print(x_add.shape) print(x_add) >>> (4,) (4, 1) [[1] [2] [3] [4]]
2.np.concatenate()
import numpy as np x1 = np.random.normal(1,1,(5,4)) x2 = np.random.normal(1,1,(3,4)) print(x1) print(x1.shape) print(x2) print(x2.shape) con = np.concatenate([x1,x2],axis=0) print(con) print(con.shape) 输出结果为： [[ 2.22806658 0.15277615 2.21245262 1.63831116] [ 1.30131232 -1.09226289 -0.65959394 1.16066688] [ 1.52737722 0.84587186 1.53041503 0.4584277 ] [ 1.56096219 1.29506244 3.08048523 2.06008988] [ 1.79964236 0.95087117 1.30845477 -0.2644263 ]] (5, 4) [[0.89383392 1.49502055 2.90571116 1.71943997] [1.44451535 1.87838383 1.4763242 0.82597179] [0.72629108 1.42406398 1.35519112 0.58121617]] (3, 4) [[ 2.22806658 0.15277615 2.21245262 1.63831116] [ 1.30131232 -1.09226289 -0.65959394 1.16066688] [ 1.52737722 0.84587186 1.53041503 0.4584277 ] [ 1.56096219 1.29506244 3.08048523 2.06008988] [ 1.79964236 0.95087117 1.30845477 -0.2644263 ] [ 0.89383392 1.49502055 2.90571116 1.71943997] [ 1.44451535 1.87838383 1.4763242 0.82597179] [ 0.72629108 1.42406398 1.35519112 0.58121617]] (8, 4)
axis参数为指定按照哪个维度进行拼接，上述的例子中x1为[5,4] x2为[3,4]，设置axis=0则代表着按照第一维度进行拼接，拼接后的尺寸为[8,4]除了第一维度的尺寸发生变化，其他维度不变，同时也说明，必须保证其他维度的尺寸是能对的上的，如果x1为[5,4],x2为[5,3],在这里如果还设置axis=1的话，则会报错，因为x1和x2的第二维度尺寸不相等，无法拼接。
按照axis=1的维度进行拼接，实例如下：
import numpy as np x1 = np.random.normal(1,1,(5,4)) x2 = np.random.normal(1,1,(5,2)) print(x1) print(x1.shape) print(x2) print(x2.shape) con = np.concatenate([x1,x2],axis=1) print(con) print(con.shape) 输出结果如下： [[ 1.06700795 2.49432822 0.13721596 0.86647501] [-0.24454185 0.83414428 2.06012125 -0.63322426] [ 2.01993142 -0.27599932 1.9101389 1.92564214] [ 0.12627442 0.97560762 2.00993226 2.02754602] [ 0.23883256 1.4805339 -0.83029287 1.37207756]] (5, 4) [[ 0.67988459 2.46464482] [ 1.19166015 2.16522311] [ 1.41193468 -0.01165058] [ 0.62496307 1.05706225] [ 0.85055712 -0.09588572]] (5, 2) [[ 1.06700795 2.49432822 0.13721596 0.86647501 0.67988459 2.46464482] [-0.24454185 0.83414428 2.06012125 -0.63322426 1.19166015 2.16522311] [ 2.01993142 -0.27599932 1.9101389 1.92564214 1.41193468 -0.01165058] [ 0.12627442 0.97560762 2.00993226 2.02754602 0.62496307 1.05706225] [ 0.23883256 1.4805339 -0.83029287 1.37207756 0.85055712 -0.09588572]] (5, 6)
其实可以这么理解，axis=0，则表示合并后第一个维度数据要变（axis是从0开始计算的，即第一维表示0），axis=1，则表示合并后第二个维度的数据要变，axis=2，则表示合并后第三个维度数据要变。数据变换一般是两个数组相同维度数值相加。
-1就是按照最后一维度进行合并
3.应用
例如对图片进行means和std统计
