【20211103】【Python/Matlab】Python 中 numpy.reshape() 和 Matlab 中 reshape(mat) 的区别

1. Python 中 reshape

numpy.arange(n).reshape(a, b) # 依次生成 n 个自然数，并且以 a 行 b 列的数组形式显示

''' 常见的用法 ''' 
reshape(n, -1)  # 转化成 n 行
reshape(-1, m)  # 转化成 m 列

举个栗子~

import pandas as pd
import numpy as np

a = list(range(1, 11, 1))
b = np.arange(1, 21, 2)
print(a)
print(b)

import pandas as pd
import numpy as np

a = list(range(1, 11, 1))
b = np.arange(1, 21, 2)

a_reshape = np.array(a).reshape(2, -1)  # list 要转成 numpy.array 类型的数据，才能使用 reshape() 方法！
b_reshape = b.reshape(2, -1)
print(a_reshape)
print(b_reshape)

        （参考：numpy中reshape函数的三种常见相关用法） 

 2. Matlab 中的 reshape

a = 1 : 10;
>> a_reshape = reshape(a, 2, [])

---

 Tips：

1. Python 中的 reshape 方法只能用于 numpy 的数据类型，list 类型的数据不适用。

2.  Python 中的 reshape 优先按照行存新数据，Matlab 中的 reshape 优先按照列存新数据！

        若想在 Python 中也使用类似于 Matlab 中的存数方式，那么可以使用 .T，同时要注意设置的行数和列数要互换。比如：如果要生成 m 行 n 列的新数组，那么可以使用 np.shape(n, m).T！

import pandas as pd
import numpy as np

b = np.arange(1, 21, 2)

b_reshape = b.reshape(2, -1)
b_reshape_new = b.reshape(-1, 2).T

print(b_reshape)
print(b_reshape_new)