新数组的shape属性应该要与原来数组的一致,即新数组元素数量与原数组元素数量要相等。一个参数为-1时,那么reshape函数会根据另一个参数的维度计算出数组的另外一个shape属性值。
下面来举几个例子来理解一下:
>>> z = np.array([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12],[13, 14, 15, 16]])
>>> print(z)
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]
[13 14 15 16]]
>>> print(z.shape)
(4, 4)
>>> print(z.reshape(-1))
[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16]
>>> print(z.reshape(-1,1)) #我们不知道z的shape属性是多少,
#但是想让z变成只有一列,行数不知道多少,
#通过`z.reshape(-1,1)`,Numpy自动计算出有16行,
#新的数组shape属性为(16, 1),与原来的(4, 4)配套。
[[ 1]
[ 2]
[ 3]
[ 4]
[ 5]
[ 6]
[ 7]
[ 8]
[ 9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]]
>>> print(z.reshape(2,-1))
[[ 1 2 3 4 5 6 7 8]
[ 9 10 11 12 13 14 15 16]]
关于reshape函数的具体介绍请看numpy.reshape
numpy.reshape(重塑)
给数组一个新的形状而不改变其数据
numpy.reshape(a, newshape, order=’C’)
参数:
a:array_like
要重新形成的数组。
newshape:int或tuple的整数
新的形状应该与原始形状兼容。如果是整数,则结果将是该长度的1-D数组。一个形状维度可以是-1。在这种情况下,从数组的长度和其余维度推断该值。
order:{'C','F','A'}可选
使用此索引顺序读取a的元素,并使用此索引顺序将元素放置到重新形成的数组中。'C'意味着使用C样索引顺序读取/写入元素,最后一个轴索引变化最快,回到第一个轴索引变化最慢。'F'意味着使用Fortran样索引顺序读取/写入元素,第一个索引变化最快,最后一个索引变化最慢。注意,'C'和'F'选项不考虑底层数组的内存布局,而只是参考索引的顺序。'A'意味着在Fortran类索引顺序中读/写元素,如果a 是Fortran 在内存中连续的,否则为C样顺序。
返回:
reshaped_array:ndarray
如果可能,这将是一个新的视图对象; 否则,它将是一个副本。注意,不能保证返回数组的内存布局(C-或Fortran-连续)。
数组切片返回值的不同
如取出倒数第二列 train_array[:,-2:-1]与train_array[:,-2](假如train_array为9行5列)都能取出倒数第二列,但是
train_array[:,-2:-1]返回值为9行1列,train_array[:,-2]返回值看起来为1行9列,单reshape出来的结构为(9,)
print(train_array[:,:-1],train_array[:,-2])
print(train_array[:,-2:-1].shape,train_array[:,-1].shape)
输出结果:
train_array[:,-2].reshape(-1,1)可以将其行列结构变为(9,1)而不是(9,)