您好, 欢迎来到 !    登录 | 注册 | | 设为首页 | 收藏本站

NumPy 数组形状修改

NumPy 数组形状修改

数组的形状是每个维中元素的数量。

获取数组的形状

打印 2-D 数组的形状:

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(arr.shape)

运行结果

(2, 4)

上面的实例返回 (2, 4),这意味着该数组有 2 个维,每个维有 4 个元素。

利用 ndmin 使用值 1,2,3,4 的向量创建有 5 个维度的数组,并验证最后一个维度的值为 4:

import numpy as np
arr = np.array([1, 2, 3, 4], ndmin=5)
print(arr)
print('shape of array :', arr.shape)

运行结果

[[[[[1 2 3 4]]]]]
shape of array : (1, 1, 1, 1, 4)
元组的形状代表什么?

每个索引处的整数表明相应维度拥有的元素数量。
上例中的索引 4,我们的值为 4,因此可以说第 5 个 ( 4 + 1 th) 维度有 4 个元素。

修改数组形状

数组的形状是每个维中元素的数量。通过修改数组形状,我们可以添加或删除维度或更改每个维度中的元素数量。

从 1-D 重塑为 2-D

将以下具有 12 个元素的 1-D 数组转换为 2-D 数组。
最外面的维度将有 4 个数组,每个数组包含 3 个元素:

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(4, 3)
print(newarr)

运行结果

[[ 1 2 3]
 [ 4 5 6]
 [ 7 8 9]
 [10 11 12]]

从 1-D 重塑为 3-D

将以下具有 12 个元素的 1-D 数组转换为 3-D 数组。
最外面的维度将具有 2 个数组,其中包含 3 个数组,每个数组包含 2 个元素:

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(2, 3, 2)
print(newarr)

运行结果

[[[ 1 2]
  [ 3 4]
  [ 5 6]]
 [[ 7 8]
  [ 9 10]
  [11 12]]]
数组可以修改成任何形状吗?

是的,只要重塑所需的元素在两种形状中均相等。
我们可以将 8 元素 1D 数组重塑为 2 行 2D 数组中的 4 个元素,但是我们不能将其重塑为 3 元素 3 行 2D 数组,因为这将需要 3x3 = 9 个元素。

尝试将具有 8 个元素的 1D 数组转换为每个维度中具有 3 个元素的 2D 数组(将产生错误):

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(3, 3)
print(newarr)

运行结果

Traceback (most recent call last):
  File "test.py", line 5, in

未知的维

您可以使用一个“未知”维度。
这意味着您不必在 reshape 方法中为维度之一指定确切的数字。
传递 -1 作为值,NumPy 将为您计算该数字。

将 8 个元素的 1D 数组转换为 2x2 元素的 3D 数组:

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(2, 2, -1)
print(newarr)

运行结果

[[[1 2]
  [3 4]]
 [[5 6]
  [7 8]]]
注意:我们不能将 -1 传递给一个以上的维度。

展平数组

展平数组(Flattening the arrays)是指将多维数组转换为 1D 数组。
我们可以使用 reshape(-1) 来做到这一点。
把数组转换为 1D 数组:

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)
print(newarr)

运行结果

[1 2 3 4 5 6]

有很多功能可以更改 numpy flatten、ravel 中数组形状,还可以重新排列元素 rot90、flip、fliplr、flipud 等。这些功能属于 numpy 的中级至高级部分。


联系我
置顶