np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴

如下所示：

>> type(np.newaxis)
NoneType
>> np.newaxis == None
True

np.newaxis 在使用和功能上等价于 None，查看源码发现：newaxis = None，其实就是 None 的一个别名。

1. np.newaxis 的实用

>> x = np.arange(3)
>> x
array([0, 1, 2])
>> x.shape
(3,)

>> x[:, np.newaxis]
array([[0],
   [1],
   [2]])

>> x[:, None]
array([[0],
   [1],
   [2]])

>> x[:, np.newaxis].shape
(3, 1)

2. 索引多维数组的某一列时返回的是一个行向量

>>> X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> X[:, 1]
array([2, 6, 10])    ％ 这里是一个行
>>> X[:, 1].shape    ％ X[:, 1] 的用法完全等同于一个行，而不是一个列，
(3, )

如果我们索引多维数组的某一列时，返回的仍然是列的结构，一种正确的索引方式是：

>>>X[:, 1][:, np.newaxis]
array([[2],
  [6],
  [10]])

如果想实现第二列和第四列的拼接（层叠）：

>>>X_sub = np.hstack([X[:, 1][:, np.newaxis], X[:, 3][:, np.newaxis]])      
         ％ hstack：horizontal stack，水平方向上的层叠
>>>X_sub
array([[2, 4]
  [6, 8]
  [10, 12]])

当然更为简单的方式还是使用切片：

>> X[:, [1, 3]]
array([[ 2, 4],
   [ 6, 8],
   [10, 12]])

3. 使用 np.expand_dims

>> X = np.random.randint(0, 9, (2, 3))
>> mean_X = np.mean(X, axis=0)
>> X - mean_X           # 这样做是没有问题的

>> mean_X = np.mean(X, axis=1)
>> X - mean_X
ValueError: operands could not be broadcast together with shapes (2,3) (2,)

此时便需要手动的调整 mean_X 的维度，使其能够 broadcast，有以下三种方式，在指定的轴上进行 broadcast：

mean_X[:, None]

mean_X[:, np.newaxis]

mean_X = np.expand_dims(mean_X, axis=1)

来源：https://blog.csdn.net/lanchunhui/article/details/49725065