NumPy reshape: 完整指南 – wiki词典

作者： /

“`text
NumPy reshape: 完整指南

NumPy（Numerical Python）是Python中用于科学计算的核心库，提供了高性能的多维数组对象以及处理这些数组的工具。在处理数据时，经常需要改变数组的维度（形状）以适应特定的计算或模型输入要求。numpy.reshape() 函数正是为此而生，它允许我们在不改变数组数据的情况下，重新组织数组的形状。本文将深入探讨 reshape 的用法、参数、注意事项以及常见应用场景。

1. reshape() 函数简介

reshape() 函数用于给定新形状以重新排列数组的元素。重要的是，重新排列后的数组仍然是原始数组的“视图”（view），这意味着它们共享相同的底层数据。因此，修改其中一个数组的元素会影响另一个数组。只有在无法形成视图时（例如，当需要复制数据以满足新的内存布局时），才会返回一个副本。

基本语法:
python
numpy.reshape(a, newshape, order='C')
* a: 要重塑的数组。
* newshape: 新的形状，可以是一个整数元组（例如 (rows, cols)）或一个整数，表示一个一维数组的长度。
* order: 可选参数，指定读取和写入元素时的顺序。默认为 ‘C’（C-style, 行主序）。

2. 基本用法

让我们从一个简单的例子开始，将一个一维数组重塑为二维数组。

“`python
import numpy as np

创建一个一维数组

arr = np.array([1, 2, 3, 4, 5, 6])
print(“原始数组：”, arr)
print(“原始形状：”, arr.shape) # 输出: (6,)

重塑为 2×3 的二维数组

reshaped_arr = arr.reshape((2, 3))
print(“\n重塑后的数组 (2×3):\n”, reshaped_arr)
print(“新形状：”, reshaped_arr.shape) # 输出: (2, 3)

重塑为 3×2 的二维数组

reshaped_arr_2 = arr.reshape((3, 2))
print(“\n重塑后的数组 (3×2):\n”, reshaped_arr_2)
print(“新形状：”, reshaped_arr_2.shape) # 输出: (3, 2)
“`

重要规则： 重塑前后，数组中元素的总数必须保持不变。如果原始数组有 N 个元素，那么新形状的各维度乘积也必须等于 N。

“`python

尝试重塑为元素数量不匹配的形状，会引发 ValueError

try:
arr.reshape((2, 4))
except ValueError as e:
print(“\n错误示例:”, e) # 输出: cannot reshape array of size 6 into shape (2,4)
“`

3. 理解 order 参数：’C’ (行主序) 和 ‘F’ (列主序)

order 参数决定了数组元素在内存中的布局方式，以及 reshape 操作如何根据这种布局来填充新形状。

  • ‘C’ (C-style / 行主序): 默认值。按照行优先的顺序读取和写入元素。在二维数组中，这意味着从左到右填充第一行，然后是第二行，依此类推。
  • ‘F’ (Fortran-style / 列主序): 按照列优先的顺序读取和写入元素。在二维数组中，这意味着从上到下填充第一列，然后是第二列，依此类推。

“`python
import numpy as np

arr = np.arange(1, 7) # [1 2 3 4 5 6]

‘C’ order (默认)

reshaped_c = arr.reshape((2, 3), order=’C’)
print(“C-order 重塑 (2×3):\n”, reshaped_c)

输出:

[[1 2 3]

[4 5 6]]

‘F’ order

reshaped_f = arr.reshape((2, 3), order=’F’)
print(“\nF-order 重塑 (2×3):\n”, reshaped_f)

输出:

[[1 3 5]

[2 4 6]]

Let’s re-run with correct example (if needed for F-order clarity)

arr_larger = np.arange(1, 13) # [ 1 2 3 4 5 6 7 8 9 10 11 12]
reshaped_f_larger = arr_larger.reshape((3, 4), order=’F’)
print(“\nF-order 重塑 (3×4) with larger array:\n”, reshaped_f_larger)

输出:

[[ 1 4 7 10]

[ 2 5 8 11]

[ 3 6 9 12]]

``
理解order` 参数对于在不同系统或库之间交换数据时非常关键，因为它们可能使用不同的内存布局约定。

4. 使用 -1 让 NumPy 自动推断维度

在 newshape 元组中，可以有一个维度指定为 -1。NumPy 会自动计算该维度的大小，以确保元素的总数匹配。这在处理可变长度数据或保持某些维度不变时非常方便。

“`python
import numpy as np

arr = np.arange(1, 13) # [ 1 2 3 4 5 6 7 8 9 10 11 12]

重塑为 2 行，列数自动推断

reshaped_auto_cols = arr.reshape((2, -1))
print(“自动推断列数 (2, -1):\n”, reshaped_auto_cols)
print(“新形状：”, reshaped_auto_cols.shape) # 输出: (2, 6)

重塑为 3 列，行数自动推断

reshaped_auto_rows = arr.reshape((-1, 3))
print(“\n自动推断行数 (-1, 3):\n”, reshaped_auto_rows)
print(“新形状：”, reshaped_auto_rows.shape) # 输出: (4, 3)

甚至可以在多维重塑中使用

arr_3d = np.arange(1, 25) # 24 elements
reshaped_auto_3d = arr_3d.reshape((2, 3, -1))
print(“\n自动推断第三维度 (2, 3, -1):\n”, reshaped_auto_3d)
print(“新形状：”, reshaped_auto_3d.shape) # 输出: (2, 3, 4)
``
注意：只能有一个维度被指定为-1`。

5. 重塑为不同维度的数组

reshape 可以将数组重塑为任意维度的数组，只要元素总数匹配。

  • 1D 到 2D: 最常见的用法。
  • 1D 到 3D 或更高维度:
    python
    arr = np.arange(1, 28) # 27 elements
    reshaped_3d = arr.reshape((3, 3, 3))
    print("\n重塑为 3x3x3 数组:\n", reshaped_3d)
    print("新形状：", reshaped_3d.shape) # 输出: (3, 3, 3)
  • 2D 到 1D: 可以使用 reshape(-1) 或 flatten() 或 ravel()。
    python
    arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
    reshaped_1d = arr_2d.reshape(-1)
    print("\n2D 数组重塑为 1D 数组:\n", reshaped_1d)
    print("新形状：", reshaped_1d.shape) # 输出: (6,)
  • 保持维度但更改大小:
    python
    arr_2d_orig = np.arange(1, 13).reshape((3, 4))
    print("\n原始 2D 数组 (3x4):\n", arr_2d_orig)
    # 更改为 4x3
    reshaped_2d_new = arr_2d_orig.reshape((4, 3))
    print("\n重塑为 4x3 数组:\n", reshaped_2d_new)

6. 相关的函数：flatten()、ravel() 和 reshape(-1)

这三个函数都可以将多维数组展平为一维数组，但它们之间存在细微的差别：

  • numpy.ndarray.flatten(): 总是返回原始数组的一个副本。这意味着修改展平后的数组不会影响原始数组。
  • numpy.ravel(): 通常返回原始数组的一个视图。如果修改 ravel 后的数组，原始数组也会受到影响。但如果数据不连续，它可能返回一个副本。
  • numpy.reshape(-1): 总是返回原始数组的一个视图，只要可能。如果底层数据在内存中是连续的，它会返回一个视图。如果不是连续的，它可能会返回一个副本（但这在 reshape 的大多数常见用法中很少见，因为 reshape 默认情况下期望连续的内存块）。

选择哪个：
* 如果你需要一个独立的副本，使用 flatten()。
* 如果你只需要一个视图，并且不打算修改它，或者你知道原始数组是连续的，那么 ravel() 或 reshape(-1) 都可以。reshape(-1) 更通用，因为它不仅限于展平，还可以用于其他重塑操作。

“`python
import numpy as np

arr_2d = np.array([[1, 2, 3], [4, 5, 6]])

flat_copy = arr_2d.flatten()
flat_copy[0] = 99
print(“\nflatten() 后：”, flat_copy) # [99 2 3 4 5 6]
print(“原始数组（不受影响）：\n”, arr_2d) # [[1 2 3] [4 5 6]]

flat_view_ravel = arr_2d.ravel()
flat_view_ravel[0] = 88
print(“\nravel() 后：”, flat_view_ravel) # [88 2 3 4 5 6]
print(“原始数组（受影响）：\n”, arr_2d) # [[88 2 3] [4 5 6]]

重新初始化 arr_2d

arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
flat_view_reshape = arr_2d.reshape(-1)
flat_view_reshape[0] = 77
print(“\nreshape(-1) 后：”, flat_view_reshape) # [77 2 3 4 5 6]
print(“原始数组（受影响）：\n”, arr_2d) # [[77 2 3] [4 5 6]]
“`

7. 常见应用场景

reshape 在数据预处理、机器学习和图像处理等领域中发挥着核心作用：

  • 数据预处理：

    • 将一维特征向量重塑为多维输入（例如，将 100 个特征重塑为 (10, 10) 矩阵）。
    • 为机器学习模型准备数据：例如，许多深度学习框架要求输入数据具有特定的形状（如 (样本数, 高度, 宽度, 通道数) 或 (样本数, 时间步, 特征)）。
      “`python

    假设有 100 个样本，每个样本有 784 个像素（28×28 图像）

    data = np.random.rand(100, 784)

    重塑为 (样本数, 28, 28) 灰度图像

    images = data.reshape((100, 28, 28))
    print(“\n为图像处理重塑数据形状:”, images.shape) # (100, 28, 28)

    如果是 RGB 图像 (28x28x3)，且原始数据是 2352 个特征 (28283)

    data_rgb = np.random.rand(100, 28 * 28 * 3)
    images_rgb = data_rgb.reshape((100, 28, 28, 3))
    print(“为RGB图像处理重塑数据形状:”, images_rgb.shape) # (100, 28, 28, 3)
    ``
    * **图像处理：** 将展平的像素列表重塑回图像的    (高度, 宽度, 通道)格式。
    * **时间序列数据：** 将扁平的时间序列数据重塑为    (样本数, 时间步长, 特征)`，以适应循环神经网络 (RNN) 等模型。

8. 总结

numpy.reshape() 是 NumPy 中一个极其强大和常用的函数，它允许我们高效地改变数组的维度，而通常不需要复制底层数据。理解 newshape 参数（包括使用 -1 进行自动推断）和 order 参数对于正确有效地使用此函数至关重要。熟练掌握 reshape 将大大提高您在Python中处理和分析数据的能力。

“`

滚动至顶部