reshape(shape) : 不改变数组元素,返回一个shape形状的数组,原数组不变。是对每行元素进行处理
resize(shape) : 与.reshape()功能一致,但修改原数组
In [1]: a = np.arange(20)
#原数组不变
In [2]: a.reshape([4,5])
Out[2]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
In [3]: a
Out[3]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19])
#修改原数组
In [4]: a.resize([4,5])
In [5]: a
Out[5]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
.swapaxes(ax1,ax2) : 将数组n个维度中两个维度进行调换,不改变原数组
In [6]: a.swapaxes(1,0)
Out[6]:
array([[ 0, 5, 10, 15],
[ 1, 6, 11, 16],
[ 2, 7, 12, 17],
[ 3, 8, 13, 18],
[ 4, 9, 14, 19]])
.flatten() : 对数组进行降维,返回折叠后的一维数组,原数组不变
In [7]: a.flatten()
Out[7]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19])
将多个二维数组合并为一个三维数组
方法一:
对于两个(或者多个)同一维度的矩阵,直接利用np.array()重新构造一个array,这样可以变相起到扩展维数的作用。例如:
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[2,2,3],[4,5,6]])
c = np.array([[3,2,3],[4,5,6]])
print('矩阵a:\n',a)
print('维数:',a.shape)
com = np.array([a,b,c])
print('合并矩阵:\n',com)
print('维数:',com.shape)
输出结果为:
矩阵a:
[[1 2 3]
[4 5 6]]
维数: (2, 3)
合并矩阵:
[[[1 2 3]
[4 5 6]]
[[2 2 3]
[4 5 6]]
[[3 2 3]
[4 5 6]]]
维数: (3, 2, 3)
方法二:
但是,如果两个array,使用方法一时会出现如下结果:
import numpy as np
aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
com = np.array([aa,a])
print('合并矩阵:\n',com)
print('维数:',com.shape)
输出结果:
合并矩阵:
[array([[[1, 2, 3],
[4, 5, 6]],
[[2, 2, 3],
[4, 5, 6]],
[[3, 2, 3],
[4, 5, 6]]])
array([[4, 2, 3],
[4, 5, 6]])]
维数: (2,)
可以看到:输出的维数不对,以上方法就不适用了。
那么,我们就需要利用np.append和array.reshape()函数对数组进行拼接之后重组,具体实现如下:
import numpy as np
aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
data = np.append(aa,a)#先拼接成一个行向量
print(data)
dim = aa.shape#获取原矩阵的维数
print('原矩阵维数:',dim)
data1 = data.reshape(dim[0]+1,dim[1],dim[2])#再通过原矩阵的维数重新组合
print('合并矩阵:\n',data1)
print('维数:',data1.shape)
现在来看一下用reshape将二维数据升为三维后的数据分布情况:
import numpy as np
b = np.arange(36).reshape((6,6))
b1 = b.reshape(2,3,6)
b的元素:
b1的元素:
可以看到,原来6*6的矩阵被分为了2个3*6的矩阵。每一行的数据分布并没有改变,只是将前3行划为一个维度,然后将后三行划为另一个维度。
b1.reshape(6,6)
如果用这条命令,则数据又被还原了回去,与b的一样。
b1.reshape(3,12)
如果用的是reshape(3,12),则相当于将数据首先拉伸为1维的,然后再将一维数据重组为3*12
方法三:
相比于前两种方法,这种方法可谓“曲线救国”之典范,具体思路是:先转化成list,拼接后再转化回去。
这是因为list中的append()函数可以在添加函数的时候不改变原来list的维度。虽然没有对这种方法进行一个速度测试,但直觉来看时间复杂度挺高的,建议慎用。
aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
#将array转换成list
aa = aa.tolist(aa)
a = a.list(a)
aa.append(a)#注意与方法二中np.append()用法的区别
com = np.array(aa)
print(com.shape)
输出结果:
合并矩阵:
[[[1 2 3]
[4 5 6]]
[[2 2 3]
[4 5 6]]
[[3 2 3]
[4 5 6]]
[[4 2 3]
[4, 5, 6]]]
维数: (4,2,3)
这里注意:
两种类型的相互转换函数:
array转list:a = a.tolist()
list转array:a =np.array(a)
原文:https://blog.csdn.net/u013044310/article/details/80407220
原文:https://blog.csdn.net/brucewong0516/article/details/79185282