使用 C 扩展的 NumPy 广播机制--3 阵列转置（轴切换）

x = np.arange(9).reshape(3, 3)

y = np.transpose(x) # 或者 y = x.transpose() 或者 x.T

y = np.transpose(x, [1, 0])

x = np.array([3,2,1,0,4,5,6,7,8,9,10,11,12,13,14,15]).reshape(2, 2, 4)

y1 = np.transpose(x, [1, 0, 2])

请对照下图理解这个三维数组在内存中的样子以及对它的不同视图（view）。关于这点，文末附上的进阶篇有详细解读。

y2 = np.transpose(x, [2, 0, 1])

# 代码放一起
x = np.array([3,2,1,0,4,5,6,7,8,9,10,11,12,13,14,15]).reshape(2, 2, 4)
y0 = np.transpose(x, [1, 2, 0])
y1 = np.transpose(x, [1, 0, 2])
y2 = np.transpose(x, [2, 0, 1])

看看变轴后各个数组的元素具体是怎样的，注意，它们都指向同一份数据。

这是怎么实现对内存中同一份数据使用不同的轴序呢？实际上，数据还是那些数据，更改的是各个轴上的步长 stride。

x.strides, y1.strides, y2.strides

# 数据还是同一份
id(x.data), id(y1.data), id(y2.data)

再看一个例子，三维数组有三个轴，注意换轴后每个轴的步长。

x = np.arange(16).reshape(2, 2, 4)

y = x.transpose((1, 0, 2))

两个数组三个轴对应的步长不同了。

轴更换后，下标也跟着换了，所以换轴前后相同下标指向的数据是不同的。

其实，轴的意义主要体现在步长上，所以换轴一定意义上就是更换了步长。

实际例子

RGB 图像数据

• 每张图像由红绿蓝三个通道组成，每个通道对应一个 32×32 的二维数组

看下图，从左到右，分别对应图像数据在内存中的存放，将一维数组转化为三维数组，更换轴。

那么，为什么要换轴呢？因为不同程序包对数据的要求不同，我们为了使用它们，需要按照它们对参数的要求来对数据作相应调整。

而有时候，并不需要换轴，只需要更换某个轴上元素的次序即可，例如，

# 变换某个轴上元素的次序
z = x[..., (3, 2, 1, 0)]