【numpy】维度相关np.newaxis()、ravel()、flatten()、squeeze()

目录

ravel()、flatten()、squeeze() 降维

numpy.ravel() vs numpy.flatten() 

np.squeeeze()

reshape(-1)

np.newaxis() 升维

---

ravel()、flatten()、squeeze() 降维

numpy中的ravel()、flatten()、squeeze()都有将多维数组转换为一维数组的功能，

区别：

• ravel()：如果没有必要，不会产生源数据的副本
• flatten()：返回源数据的副本
• squeeze()：只能对维数为1的维度降维

另外，reshape(-1)也可以“拉平”多维数组

"""
拉平
"""
arr = np.arange(12).reshape(3,4)
print(arr)
"""
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
"""
print(arr.ravel()) # [ 0  1  2  3  4  5  6  7  8  9 10 11]
print(arr.flatten()) # [ 0  1  2  3  4  5  6  7  8  9 10 11]
print(arr.reshape(-1)) # [ 0  1  2  3  4  5  6  7  8  9 10 11]

arr1 = np.arange(3).reshape(3,1)
print(arr1)
"""
[[0]
 [1]
 [2]]
"""
print(np.squeeze(arr1)) # [0 1 2]

numpy.ravel() vs numpy.flatten() 

首先声明两者所要实现的功能是一致的（将多维数组降位一维），两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。

• 两者的功能

>>> x = np.array([[1, 2], [3, 4]])
>>> x
array([[1, 2],
       [3, 4]])
>>> x.flatten()
array([1, 2, 3, 4])
>>> x.ravel()
array([1, 2, 3, 4])
                    两者默认均是行序优先
>>> x.flatten('F')
array([1, 3, 2, 4])
>>> x.ravel('F')
array([1, 3, 2, 4])

>>> x.reshape(-1)
array([1, 2, 3, 4])
>>> x.T.reshape(-1)
array([1, 3, 2, 4])

•  两者的区别

>>> x = np.array([[1, 2], [3, 4]])
>>> x.flatten()[1] = 100
>>> x
array([[1, 2],
       [3, 4]])            # flatten：返回的是拷贝
>>> x.ravel()[1] = 100
>>> x
array([[  1, 100],
       [  3,   4]])

np.squeeeze()

squeeze 函数：从数组的形状中删除单维度条目，即把shape中为1的维度去掉

用法：numpy.squeeze(a,axis = None)

1）a表示输入的数组；
2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错；
3）axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目；
4）返回值：数组
5) 不会修改原数组；

import numpy as np

x = np.array([[[0], [1], [2]]])
print(x)
"""
x=

[[[0]
  [1]
  [2]]]
"""
print(x.shape)  # (1, 3, 1)

x1 = np.squeeze(x)  # 从数组的形状中删除单维条目，即把shape中为1的维度去掉


print(x1)  # [0 1 2]
print(x1.shape)  # (3,)

reshape(-1)

数组新的shape属性应该要与原来的配套，如果等于-1的话，那么Numpy会根据剩下的维度计算出数组的另外一个shape属性值。

举几个例子或许就清楚了，有一个数组z，它的shape属性是(4, 4)

z = np.array([[1, 2, 3, 4],
          [5, 6, 7, 8],
          [9, 10, 11, 12],
          [13, 14, 15, 16]])
z.shape
(4, 4)

z.reshape(-1) 

z.reshape(-1)
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16])

z.reshape(-1, 1)

也就是说，先前我们不知道z的shape属性是多少，但是想让z变成只有1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。

z.reshape(-1,1)
 array([[ 1],
        [ 2],
        [ 3],
        [ 4],
        [ 5],
        [ 6],
        [ 7],
        [ 8],
        [ 9],
        [10],
        [11],
        [12],
        [13],
        [14],
        [15],
        [16]])

z.reshape(-1, 2)

newshape等于-1，列数等于2，行数未知，reshape后的shape等于(8, 2)

 z.reshape(-1, 2)
 array([[ 1,  2],
        [ 3,  4],
        [ 5,  6],
        [ 7,  8],
        [ 9, 10],
        [11, 12],
        [13, 14],
        [15, 16]])

同理，只给定行数，newshape等于-1，Numpy也可以自动计算出新数组的列数。

Python中reshape函数参数-1的意思？ - 伊豆的回答 - 知乎

在用tensorflow做卷积神经网络入门的手写数字识别时。
源码：x_image = tf.reshape(x, [-1, 28, 28, 1])
这里是将一组图像矩阵x重建为新的矩阵，该新矩阵的维数为（a，28，28，1），其中-1表示a由实际情况来定。例如，x是一组图像的矩阵（假设是50张，大小为56×56），则执行
x_image = tf.reshape(x, [-1, 28, 28, 1])
可以计算a=(50×56×56)/28/28/1=200。即x_image的维数为（200，28，28，1）。

np.newaxis() 升维

np.newaxis的作用就是在这一位置增加一个一维，这一位置指的是np.newaxis所在的位置，比较抽象，需要配合例子理解。

x1 = np.array([1, 2, 3, 4, 5])
# the shape of x1 is (5,)
x1_new = x1[:, np.newaxis]
# now, the shape of x1_new is (5, 1)
# array([[1],
#        [2],
#        [3],
#        [4],
#        [5]])
x1_new = x1[np.newaxis,:]
# now, the shape of x1_new is (1, 5)
# array([[1, 2, 3, 4, 5]])

In [124]: arr = np.arange(5*5).reshape(5,5)

In [125]: arr.shape
Out[125]: (5, 5)

# promoting 2D array to a 5D array
In [126]: arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis]

In [127]: arr_5D.shape
Out[127]: (1, 5, 5, 1, 1)

---

参考：

numpy中的ravel()、flatten()、squeeze()的用法与区别

np.newaxis

numpy 辨异 （五）—— numpy.ravel() vs numpy.flatten()

numpy中的reshape中参数为-1