浅谈Numpy中的shape、reshape函数的区别

共计 1813 个字符，预计需要花费 5 分钟才能阅读完成。

[/yiji]1 shape()函数[/yiji]
读取矩阵的长度，比如 shape[0]就是读取矩阵第一维度的长度, 相当于行数。它的输入参数可以是一个整数表示维度，也可以是一个矩阵。shape 函数返回的是一个元组 tuple，表示数组（矩阵）的维度 / 形状，例子如下：

1. 数组（矩阵）只有一个维度时，shape 只有 shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中 array 创建的可以看做 list（或一维数组），创建时用（）和 [] 都可以，多维就使用[]

>>> a=np.array([1,2])
>>> a
array([1, 2])
>>> a.shape
(2L,)
>>> a.shape[0]
2L
>>> a.shape[1]
IndexError: tuple index out of range   #最后报错是因为一维数组只有一个维度，可以用 a.shape 或 a.shape[0]来访问
  
#这个使用的是两个（）包裹，得到的数组和前面的一样
>>> a=np.array((1,2))
>>> a
array([1, 2])

2. 数组有两个维度（即行和列）时，a.shape 返回的元组表示该数组的行数与列数

# 注意二维数组要用（）和 [] 一起包裹起来，键入 print a 会得到一个用 2 个 [] 包裹的数组（矩阵）>>> b=np.array([[1,2,3],[4,5,6]])
>>> b
array([[1, 2, 3],
       [4, 5, 6]])
>>> b.shape
(2L, 3L)

总结: 使用 np.array（）创建数组时，

一维的可以直接 np.array（[1,2,3]）或者 np.array((1,2,3))

二维的要使用 np.array（[[1,2,3],[1,2,3]]), 用一个（）和一个 [] 把要输入的 list 包裹起来

三维的要使用 np.array（[[[1,2,3],[1,2,3]]]）, 用一个（）和两个 [] 把要输入的 list 包裹起来

>>> a=np.array([[[1,2],[3,4]]])
>>> a
array([[[1, 2],
        [3, 4]]])
>>> a.shape
(1L, 2L, 2L)

返回的元组表示 3 个维度各包含的元素的个数。所谓元素，在一维时就是元素的个数，二维时表示行数和列数，三维时 a.shape【0】表示创建的块数，a.shape【1】和 a.shape【2】表示每一块（每一块都是二维的）的行数和列数。

>>> a=np.ones([2,2,3])# 创建两个 2 行 3 列的数组（矩阵）>>> a
array([[[1.,  1.,  1.],
        [1.,  1.,  1.]],
  
       [[1.,  1.,  1.],
        [1.,  1.,  1.]]])

改变数组的形状，并且原始数据不发生变化。但是，reshape()函数中的参数需要满足乘积等于数组中数据总数.

如：当我们将 8 个数使用 (2,3) 重新排列时，python 会报错

import numpy as np
  
a=np.array([1,2,3,4])
b=np.array([[1,2,3,4],[4,5,6,7],[7,8,9,1]])
print("a:\n",a)
print("b:\n",b)
print(b.dtype)
  
a_r=a.reshape((2,2))  
print("a_r:\n",a_r)
d=a.reshape((-1,1))
print("d:\n",d)
e=a.reshape((1,-1))
print("e:\n",e)
#结果如下
a:
 [1 2 3 4]
c:
 [[1 2 3 4]
 [4 5 6 7]
 [7 8 9 1]]
int32
  
a_r:
 [[1 2]
 [3 4]]
d:
 [[1]
 [2]
 [3]
 [4]]
e:
 [[1 2 3 4]]

而且，reshape()函数得出的数组与原数组使用的是同一个存储空间，改变一个，另一个也随之改变。

【注意】shape 和 reshape()函数都是对于数组 (array) 进行操作的，对于 list 结构是不可以的

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券