NumPy形状操作更改数组的形状

爱被打了一巴掌 2022-07-11 04:59 263阅读 0赞

## 形状操作 ##

### 更改数组的形状 ###

一个数组的形状由它每个轴上的元素个数给出：

>>> a = floor(10*random.random((3,4))) >>> a array([[ 7., 5., 9., 3.], [ 7., 2., 7., 8.], [ 6., 8., 3., 2.]]) >>> a.shape (3, 4)

一个数组的形状可以被多种命令修改：

>>> a.ravel() # flatten the array array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.]) >>> a.shape = (6, 2) >>> a.transpose() array([[ 7., 9., 7., 7., 6., 3.], [ 5., 3., 2., 8., 8., 2.]])

由 `ravel()` 展平的数组元素的顺序通常是“C风格”的，就是说，最右边的索引变化得最快，所以元素a\[0,0\]之后是a\[0,1\]。如果数组被改变形状(reshape)成其它形状，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以 `ravel()` 将总是不需要复制它的参数  [3][]。但是如果数组是通过切片其它数组或有不同寻常的选项时，它可能需要被复制。函数 `reshape()` 和 `ravel()` 还可以被同过一些可选参数构建成FORTRAN风格的数组，即最左边的索引变化最快。

`reshape` 函数改变参数形状并返回它，而 `resize` 函数改变数组自身。

>>> a
    array([[ 7., 5.], [ 9., 3.], [ 7., 2.], [ 7., 8.], [ 6., 8.], [ 3., 2.]])
    >>> a.resize((2,6))
    >>> a
    array([[ 7., 5., 9., 3., 7., 2.], [ 7., 8., 6., 8., 3., 2.]])

如果在改变形状操作中一个维度被给做-1，其维度将自动被计算

更多 shape, reshape, resize, ravel 参考 [ NumPy示例][NumPy]

>>> a = floor(10\*random.random((3,4)))  
>>> a  
array(\[\[ 0.,  1.,  8.,  6.\],  
       \[ 7.,  1.,  9.,  9.\],  
       \[ 7.,  3.,  9.,  8.\]\])  
>>> a.shape  
(3, 4)  
>>> a.ravel()  
array(\[ 0.,  1.,  8.,  6.,  7.,  1.,  9.,  9.,  7.,  3.,  9.,  8.\])  
>>> a.shape = (6, 2)  
>>> a  
array(\[\[ 0.,  1.\],  
       \[ 8.,  6.\],  
       \[ 7.,  1.\],  
       \[ 9.,  9.\],  
       \[ 7.,  3.\],  
       \[ 9.,  8.\]\])  
>>> a.transpose()  
array(\[\[ 0.,  8.,  7.,  9.,  7.,  9.\],  
       \[ 1.,  6.,  1.,  9.,  3.,  8.\]\])  
>>> a.shape = (3,4)  
>>> a.transpose()  
array(\[\[ 0.,  7.,  7.\],  
       \[ 1.,  1.,  3.\],  
       \[ 8.,  9.,  9.\],  
       \[ 6.,  9.,  8.\]\])  
>>> a=array(\[ 7.,  5.,  9.,  3.,  7.,  2.,  7.,  8.,  6.,  8.,  3.,  2.\])  
>>> a  
array(\[ 7.,  5.,  9.,  3.,  7.,  2.,  7.,  8.,  6.,  8.,  3.,  2.\])  
>>> a.reshape(6,2)  
array(\[\[ 7.,  5.\],  
       \[ 9.,  3.\],  
       \[ 7.,  2.\],  
       \[ 7.,  8.\],  
       \[ 6.,  8.\],  
       \[ 3.,  2.\]\])  
>>> a  
array(\[ 7.,  5.,  9.,  3.,  7.,  2.,  7.,  8.,  6.,  8.,  3.,  2.\])  
>>> a.resize((2,6))  
>>> a  
array(\[\[ 7.,  5.,  9.,  3.,  7.,  2.\],  
       \[ 7.,  8.,  6.,  8.,  3.,  2.\]\])  
>>>

[3]: http://reverland.org/python/2012/08/22/numpy/#fn:3
[NumPy]: http://scipy.org/Numpy_Example_List