python numpy中的reshape(-1)、reshape(1，-1)、reshape(-1,1)

阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。文章设置为仅粉丝可见，是因为写博客确实花了不少精力。希望互相进步谢谢！！

码字不易，谢谢点赞！！！
码字不易，谢谢点赞！！！
码字不易，谢谢点赞！！！

1、np.reshape()基本用法

常用于矩阵规格变换，将矩阵转换为特定的行和列的矩阵
格式：a1.reshape(x,y,z,…)
注意：将矩阵a1转变成（x, y,z,…）---->一维长度x，二维长度y，三维长度z，…的矩阵。

场景：matlibplot画图时x、y轴需要传入的是一维，可以用reshape()实现；再例如需要将多维的变成行向量或列向量时也经常要用

2、reshape(-1)、reshape(1，-1)、reshape(-1,1)区分

reshape(-1)：转换成一维，一行。可知numpy默认行
reshape(1，-1)：转化成二维，一行，-1代表不知道多少列
reshape(-1,1)：转化成二维，1列，-1代表不知道有多少行

import numpy as np
tmp = np.array([[[1,2,3], [4,5,6]]])    #创建一个三维
print(tmp)

print(tmp.reshape(-1))                  #一维，numpy里把一维的既可当作行向量，也可当作列向量
print(tmp.reshape(1,-1))                #二维，行向量
print(tmp.reshape(-1,1))                #二维，列向量

输出：

注：因为在numpy里一维既可以做行向量也可以做列向量，那对于任意一个给定的一维向量，我们就无法确定他到底是行向量还是列向量，为了防止这种尴尬的境地，习惯上用二维矩阵而不是一维矩阵来表示行向量和列向量，因为二维必定能够确定他是行向量还是列向量。
具体原因见下列文章，写得很好。关于numpy中的一维向量、行向量、列向量的理解