numpy中的索引下标为None的各种情况
REF
https://zhuanlan.zhihu.com/p/486373530?utm_id=0
None实际上是增加了一个维度，它不是原维度的索引。
以一维为例
x = np.arange(3) # array([0, 1, 2])（ 注意，这个一维数组的shape是(3,)，而不是(1,3)，初学者很容易犯错。）
如果想把x的shape变成(1,3)，只需要把None放在第一个维度的位置，以下两种写法等价：
x[None,:]
x[None]结果如下：
array([[0, 1, 2]])如果想把x的shape变成(3,1)，只需要把None放在第二个维度的位置：
x[:,None]结果如下：
array([[0],
[1],
[2]])其实，None可以任意添加和组合，例如下面的写法：
x[None,:,None,None]结果如下：
array([[[[0]],
[[1]],
[[2]]]])这个数组的shape是(1,3,1,1)。
以二维为例
x = np.arange(6).reshape((2,3))x如下：
array([[0, 1, 2],
[3, 4, 5]])在第一个维度插入，以下三种写法等价：
x[None]
x[None,:]
x[None,:,:]输出结果如下，shape为(1, 2, 3)：
array([[[0, 1, 2],
[3, 4, 5]]])在第二个维度插入，以下两种写法等价：
x[:,None]
x[:,None,:]输出结果如下，shape为(2, 1, 3)：
array([[[0, 1, 2]],
[[3, 4, 5]]])在第三个维度插入：
x[:,:,None]输出结果如下，shape为(2, 3, 1)：
array([[[0],
[1],
[2]],
[[3],
[4],
[5]]])
更高维的情况以此类推。
这种写法一般在进行矩阵运算的时候会用到。比如：
x = np.arange(5)
x[:, None] + x[None, :]这样可以很优雅地获得 列向量+行向量 的结果(划重点：优雅～）：
array([[0, 1, 2, 3, 4],
[1, 2, 3, 4, 5],
[2, 3, 4, 5, 6],
[3, 4, 5, 6, 7],
[4, 5, 6, 7, 8]])
