矩阵是线性代数中的基本数据结构，广泛用于各种科学和数学计算。矩阵是按行和列排列的数字的矩形阵列。它通常表示为二维网格。但是，在某些情况下，我们可能需要操作具有附加维度的矩阵，以进行数据转换或执行高级数学运算。
Python作为一种多功能的编程语言，提供了丰富的库生态系统，为矩阵操作提供了强大的工具。其中一个库就是NumPy，它代表着Numerical Python。NumPy提供了高效且方便的工具，用于处理数组，包括矩阵，以及各种数学函数。
在我们继续实施之前，让我们确保您的计算机上安装了 NumPy。如果您还没有安装它，您可以通过运行以下命令，使用 Python 包安装程序 pip 轻松安装它 -
pip install numpy
安装 NumPy 后，我们就可以继续创建和修改矩阵。
立即学习“Python免费学习笔记（深入）”；
接下来，我们将使用numpy.array函数创建矩阵。这是一个示例 -
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
array函数接受一个嵌套的列表作为参数，其中每个列表代表矩阵中的一行。在我们的例子中，我们有一个3x3的矩阵。
添加自定义维度
要向矩阵添加自定义维度，我们可以使用numpy.newaxis属性。newaxis属性允许我们将现有矩阵的维度增加一维。让我们看看它是如何工作的 −
new_matrix = matrix[:, np.newaxis]
在上面的代码中，[:，np.newaxis]通过在第二个位置插入一个新的轴，为我们的矩阵添加了一个新的维度。冒号：表示所有行，np.newaxis表示应插入新轴的位置。这个操作有效地将原始的二维矩阵转化为一个三维矩阵。
示例
让我们打印原始矩阵和新矩阵以观察变化 -
print("Original Matrix:")
print(matrix)
print("\nNew Matrix:")
print(new_matrix)
输出
运行代码将产生以下输出−
Original Matrix: [[1 2 3] [4 5 6] [7 8 9]] New Matrix: [[[1 2 3]] [[4 5 6]] [[7 8 9]]]
正如您所看到的，与原始矩阵相比，新矩阵多了一个维度。原始矩阵的每一行现在都封装在其自己的内部数组中。这有效地增加了矩阵的维数。添加自定义维度在您需要执行需要更高维度矩阵的操作（例如高级机器学习算法或张量计算）的场景中非常有用。
在NumPy中进行广播
在NumPy中添加自定义维度到矩阵时，理解一个重要的概念是广播。广播是NumPy中的一种强大机制，它允许不同形状的数组一起进行操作。当向矩阵添加自定义维度时，广播可以自动调整参与计算的数组的形状。
让我们考虑一个示例来演示广播 -
matrix1 = np.array([[1, 2, 3],
[4, 5, 6]])
matrix2 = np.array([10, 20, 30])
在上面的代码中，我们有一个 2x3 矩阵 (matrix1) 和一个一维数组 (matrix2)。如果我们想将matrix2添加到matrix1的每一行，我们可以简单地使用+运算符− p>
result = matrix1 + matrix2
输出将为−
[[11 22 33] [14 25 36]]
在此示例中，NumPy 自动广播一维矩阵 2 以匹配矩阵 1 的形状，从而允许执行逐元素加法。
将自定义维度添加到高维矩阵
除了向二维矩阵添加自定义维度外，您还可以向更高维度的矩阵添加自定义维度。过程保持不变；您只需指定新轴的所需位置即可。
让我们考虑一个 3 维矩阵的示例 −
matrix3d = np.array([[[1, 2, 3],
[4, 5, 6]],
[[7, 8, 9],
[10, 11, 12]]])
假设我们想在上述三维矩阵的末尾添加一个新的维度。我们可以以类似的方式使用np.newaxis属性：
new_matrix3d = matrix3d[..., np.newaxis]
上面的代码中，使用...来表示所有现有的维度，并在末尾插入np.newaxis。这将产生一个 4 维矩阵。
重塑矩阵
添加自定义维度通常与重塑矩阵有关。 NumPy 提供了重塑函数，允许您更改矩阵的形状，包括添加或删除维度。当您需要操纵矩阵的结构时，此函数会很方便。
以下是如何重塑矩阵并添加自定义维度的示例 -
matrix = np.array([[1, 2, 3],
[4, 5, 6]])
reshaped_matrix = matrix.reshape((2, 3, 1))
在上面的代码中，reshape函数被用来改变矩阵的形状为(2, 3, 1)。在末尾添加的维度对应我们想要添加的自定义维度。
结论
在本文中，我们探讨了与使用 Python 和 NumPy 向矩阵添加自定义维度相关的其他概念。我们讨论了广播，它允许一起操作不同形状的数组，并了解它在对具有附加维度的矩阵执行计算时如何有用。
我们还介绍了如何将自定义维度添加到具有更高维度的矩阵中，以及如何重塑矩阵并在过程中加入自定义维度。这些技术提供了在操作矩阵以满足特定需求时的灵活性。
通过理解这些概念并利用NumPy提供的工具，您可以高效地处理各种维度的矩阵并进行复杂的计算。
