Numpy 之 reshape 教程

Numpy reshape 教程

1. 基本介绍

reshape 是 Numpy 数组对象（ndarray）的一个方法，用于改变数组的形状（维度），但不改变其数据内容。常用于数据预处理、矩阵运算等场景。

语法：

ndarray.reshape(newshape, order='C')

• newshape：新形状，可以是整数或元组（如 (2, 3)）。
• order：可选，'C' 表示按行优先（默认），'F' 表示按列优先。

---

2. 参数详解

• -1：自动推断该维度的大小，Numpy 会根据数组总元素个数自动计算。
• 正整数：指定该维度的大小。

注意：
新形状的元素总数必须与原数组一致，否则会报错。

---

3. 常见用法举例

3.1 一维转二维

import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])
b = a.reshape(2, 3)  # 2行3列
print(b)
# 输出：
# [[1 2 3]
#  [4 5 6]]

3.2 使用 -1 自动推断

a = np.array([1, 2, 3, 4, 5, 6])
b = a.reshape(-1, 2)  # 自动计算行数
print(b)
# 输出：
# [[1 2]
#  [3 4]
#  [5 6]]

3.3 转为列向量/行向量

a = np.array([1, 2, 3, 4])
col_vec = a.reshape(-1, 1)  # 4行1列，列向量
row_vec = a.reshape(1, -1)  # 1行4列，行向量
print(col_vec)
# [[1]
#  [2]
#  [3]
#  [4]]
print(row_vec)
# [[1 2 3 4]]

3.4 高维数组变形

# 创建一个包含0-23的一维数组
a = np.arange(24)  # [0, 1, 2, ..., 23]# 将一维数组重塑为三维数组
# 参数(2, 3, 4)的含义：
# - 2: 第一维，表示有2个矩阵
# - 3: 第二维，每个矩阵有3行
# - 4: 第三维，每个矩阵有4列
# 最终得到2个3×4的矩阵，总共24个元素
b = a.reshape(2, 3, 4)  # 打印数组形状，验证维度
print("数组形状:", b.shape)  # 输出: (2, 3, 4)# 打印数组内容，便于理解
print("数组内容:")
print(b)
# 输出类似:
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
#
#  [[12 13 14 15]
#   [16 17 18 19]
#   [20 21 22 23]]]

---

4. 常见错误与注意事项

• 元素总数不一致会报错：

  a = np.array([1, 2, 3, 4])
  # a.reshape(3, 2)  # 报错：不能reshape为6个元素
  

• reshape 返回新数组，原数组不变（除非用 a.shape = ...）
• 可以链式调用：

  a = np.arange(12)
  b = a.reshape(3, 4).T  # 先变3x4，再转置
  

---

5. 实战场景

• 批量数据处理：如将一维数据转为二维特征矩阵
• 图像处理：如将一维像素流reshape为二维图片
• 深度学习：如批量输入（batch）reshape为 (batch_size, features)

---

6. 进阶技巧

• 恢复原形状：可以用 reshape(-1) 或 flatten() 将多维数组拉平成一维
• order 参数：order='F' 按列优先（Fortran风格），如在某些科学计算场景下使用

---

7. 总结

• reshape 是数据预处理和矩阵运算中非常常用的工具
• 合理使用 -1 可以大大简化代码
• 注意元素总数必须一致

---

如需更多实际案例或有特定场景需求，欢迎继续提问！