numpy 模块中 resize 和 reshape的区别

在numpy模块中，我们经常会使用resize 和 reshape,在具体使用中，通常是使用resize改变数组的尺寸大小，使用reshape用来增加数组的维度。

1.resize

之前看到别人的博客说，resize没有返回值，其实这取决于你如何使用resize,resize有两种使用方式，一种是没有返回值的，直接对原始的数据进行修改，还有一种用法是有返回值的，所以不会修改原有的数组值。

1.1有返回值，不对原始数据进行修改

import numpy as np
X=np.array([[1,2,3,4],
              [5,6,7,8],
              [9,10,11,12]])
 
X_new=np.resize(X,(3,3)) # do not change the original X
print("X:\n",X)  #original X
print("X_new:\n",X_new) # new X
 
>>
X:
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
X_new:
 [[1 2 3]
 [4 5 6]
 [7 8 9]]

1.2 无返回值，直接修改原始数组的大小

import numpy as np
X=np.array([[1,2,3,4],
              [5,6,7,8],
              [9,10,11,12]])

X_2=X.resize((3,3))  #change the original X ,and do not return a value
print("X:\n",X)  # change the original X
print("X_2:\n",X_2) # return None


X:
 [[1 2 3]
 [4 5 6]
 [7 8 9]]
X_2:
 None

2.reshape

给数组一个新的形状而不改变其数据

import numpy as np
X=np.array([1,2,3,4,5,6,7,8])
 
X_2=X.reshape((2,4)) #retuen a 2*4 2-dim array
X_3=X.reshape((2,2,2)) # retuen a 2*2*2 3-dim array
 
print("X:\n",X)
print("X_2:\n",X_2)
X[0]=666
print("X:\n",X)
print("X_2:\n",X_2)

输出为：

X:
 [1 2 3 4 5 6 7 8]
X_2:
 [[1 2 3 4]
 [5 6 7 8]]
X:
 [666   2   3   4   5   6   7   8]
X_2:
 [[666   2   3   4]
 [  5   6   7   8]]

综上可知，
1. resize要么修改原数组为新格式，要么返回一份原数组的拷贝并修改为新格式，
2. 而 reshape既没有修改原数组，也没有返回拷贝，而是修改了数组的读取方式，并返回给变量，该变量后续读取都按这个格式来，即，可以理解为reshape返回了原数组的读取方式