Numpy之如何改变数组形状
更新时间：2023年06月25日 09:39:01 作者：大笨牛@
这篇文章主要介绍了Numpy之如何改变数组形状问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
前言
本篇总结、介绍数组的基本操作之一——改变数组形状 。
1. reshape
numpy.reshape(a, newshape, order=‘C')
在不改变数据的情况下为数组赋予新的形状
a：类数组（array_like）。待重塑数组newshape：整数（一维数组）或者整数列表/元组（高维数组）等。重塑之后的数组形状（shape）。需要注意的是重塑之后的数组形状要与待重塑数组的形状相容order：{‘C’, ‘F’, ‘A’}，可选参数。数据在计算机内存中的存储顺序
>>> arr1 = np.arange(8)
>>> arr1
array([0, 1, 2, 3, 4, 5, 6, 7])
## 打印arr1形状
>>> arr1.shape
(8,)
# 将arr1变换为二维数组
>>> arr2 = np.reshape(arr1,(2,4))
>>> arr2
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
## 打印arr2形状
>>> arr2.shape
(2, 4)
# 将arr1变换为三维数组
>>> arr3 = np.reshape(arr1,(2,2,2))
>>> arr3
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
## 打印arr3形状
>>> arr3.shape
(2, 2, 2)
# 将arr3转换为一维数组
>>> arr4 = np.reshape(arr3,8)
>>> arr4
array([0, 1, 2, 3, 4, 5, 6, 7])
## 打印arr4形状
>>> arr4.shape
(8,)
# 重塑之后的数组形状要与待重塑数组的形状相容，否则报错
>>> arr5 = np.reshape(arr1,(3,3))
ValueError: cannot reshape array of size 8 into shape (3,3)注释：
newshape参数的其中一维可以是-1，表示该维度上的长度会自动根据数组的长度及其余维度的长度自动推断出来。
我们看一下下面的例子：
>>> arr1 = np.arange(8)
>>> arr1
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr2 = np.reshape(arr1,(2,-1))
>>> arr2
array([[0, 1, 2, 3],
[4, 5, 6, 7]])只能其中一维为-1：
>>> arr1 = np.arange(8) >>> arr1 array([0, 1, 2, 3, 4, 5, 6, 7]) >>> arr2 = np.reshape(arr1,(2,-1,-1)) ValueError: can only specify one unknown dimension
另外，需要注意numpy.reshape(a,(1,-1))与numpy.reshape(a,(-1,1))以及numpy.reshape(a,-1)的区别：
>>> arr1 = np.arange(8)
>>> arr1
array([0, 1, 2, 3, 4, 5, 6, 7])
# numpy.reshape(a,(1,-1))
>>> arr2 = np.reshape(arr1,(1,-1))
>>> arr2
array([[0, 1, 2, 3, 4, 5, 6, 7]])
>>> arr2.shape
(1, 8)
# numpy.reshape(a,(-1,1))
>>> arr3 = np.reshape(arr1,(-1,1))
>>> arr3
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7]])
>>> arr3.shape
(8, 1)
# numpy.reshape(a,-1)
>>> arr4 = np.reshape(arr3,-1)
>>> arr4
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr4.shape
(8,)注释：
每个Numpy数组（ndarray）的实例也都有自己的reshape方法（注意与函数reshape区别），其语法如下：
a.reshape(shape, order=‘C’)：在不改变数据的情况下为数组赋予新的形状（a为Numpy数组实例）
无论从语法还是功能上来说，Numpy数组的reshape方法和Numpy的reshape函数都一样。
两者的主要区别在于：
（1）Numpy的reshape函数可以直接对诸如python列表对象进行操作（但返回的依然是Numpy ndarray对象），而Numpy数组的reshape方法则不行。
（2）Numpy数组的reshape方法支持形状（shape）参数的每个元素作为单独的参数传入，而Numpy的reshape函数不行。
我们先来看一下第一点：
# numpy.reshape函数
>>> list1 = [0,1,2,3,4,5,6,7,8]
>>> arr1 = np.reshape(list1,(3,3))
>>> arr1
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
# ndarray.reshape方法
>>> list1.reshape(list1,(3,3))
AttributeError: 'list' object has no attribute 'reshape'我们再来看一下第二点：
# numpy.reshape函数
## 形状参数作为一个整体传入
>>> arr1 = np.arange(8)
>>> np.reshape(arr1,(2,4))
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
## 形状参数单独分开传入
>>> np.reshape(arr1,2,4)
TypeError: order must be str, not int# ndarray.reshape方法
## 形状参数作为一个整体传入
>>> arr1 = np.arange(8)
>>> arr1.reshape((2,4))
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
## 形状参数的元素单独传入
>>> arr1.reshape(2,4)
array([[0, 1, 2, 3],
[4, 5, 6, 7]])注释：
numpy.reshape和ndarray.reshape都不会改变原数组的形状。
2. ravel
numpy.ravel(a, order=‘C')
返回展平成一维的数组元素。
一般返回的是数组视图（view），需要的时候（例如order改变）才会返回数组的副本（copy）
a：类数组order：{‘C’,’F’, ‘A’, ‘K’}，可选参数
注释：
numpy.ravel和ndarray.ravel以及ndarray.reshape(-1)等同。
>>> arr1 = np.arange(8).reshape(2,2,2)
>>> arr1
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
>>> np.ravel(arr1)
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr1.ravel()
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr1.reshape(-1)
array([0, 1, 2, 3, 4, 5, 6, 7])3. ndarray.flatten
ndarray.flatten(order=‘C')
返回坍塌成一维的数组的副本
order：{‘C’, ‘F’, ‘A’, ‘K’}，可选参数
>>> arr1 = np.arange(8).reshape(2,2,2)
>>> arr1
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
>>> arr1.flatten()
array([0, 1, 2, 3, 4, 5, 6, 7])注释：
有关ravel和ndarray.flatten的区别和联系：
- numpy.ravel、ndarray.ravel、ndarray.reshape(-1)以及ndarray.flatten都可以返回展平成一维的数组元素
- numpy.ravel、ndarray.ravel、ndarray.reshape(-1)返回的是数组的视图，而ndarray.flatten返回的是数组的副本
>>> arr1 = np.arange(8).reshape(2,2,2)
>>> arr1
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
>>> arr2 = arr1.reshape(-1)
>>> arr2
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr3 = arr1.ravel()
>>> arr3
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr4 = arr1.flatten()
>>> arr4
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr5 = arr1.ravel(order='F')
>>> arr5
array([0, 4, 2, 6, 1, 5, 3, 7])
>>> arr1[0][0][1] = -1
# arr1改变后
>>> arr1
array([[[ 0, -1],
[ 2, 3]],
[[ 4, 5],
[ 6, 7]]])
>>> arr2
array([ 0, -1, 2, 3, 4, 5, 6, 7])
>>> arr3
array([ 0, -1, 2, 3, 4, 5, 6, 7])
>>> arr4
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr5
array([0, 4, 2, 6, 1, 5, 3, 7])总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
Reference
[1]: https://numpy.org/doc/stable/reference/routines.array-manipulation.html
[2]: https://www.runoob.com/numpy/numpy-copies-and-views.html
相关文章
今天小编就为大家分享一篇在python 中split()使用多符号分割的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-07-07
这篇文章主要介绍了Python实现的批量下载RFC文档,本文直接给出实现代码,需要的朋友可以参考下2015-03-03
这篇文章主要介绍了Python设计模式之原型模式,结合实例形式较为详细的分析了Python原型模式的概念、原理、用法及相关操作注意事项,需要的朋友可以参考下2019-01-01
这篇文章主要介绍了python Timer 类使用介绍的相关资料，帮助大家更好的理解和使用python iupdatable包，感兴趣的朋友可以了解下2020-12-12
在日常工作和学习中,我们常常需要处理各种PDF文件,其中对文字内容进行查找和高亮是非常常见的需求,本文将探讨如何使用Python实现在PDF中查找和高亮文字,需要的朋友可以参考下2025-07-07
python中的import、from import及import as的区别解析
在Python中，如果import的语句比较长，导致后续引用不方便，可以使用as语法，这篇文章主要介绍了python中的import、from import以及import as的区别,需要的朋友可以参考下2022-10-10
python pandas消除空值和空格以及 Nan数据替换方法
今天小编就为大家分享一篇python pandas消除空值和空格以及 Nan数据替换方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-10-10
这篇文章主要介绍了Python tkinter三种布局实例详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-01-01
本文主要介绍了Python10行代码实现模拟百度搜索的示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2022-07-07
这篇文章主要为大家详细介绍了tensorflow获取变量维度信息，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-03-03
最新评论