一文弄懂numpy/tensorflow/机器学习中维度信息以及shape和reshape方法

维度介绍

numpy中的ndarray的维度是做机器学习中经常用的，是一个基本以及必须要熟悉掌握的知识点，对于初学者来说很有可能迷惑。原因在于现实生活中所说的维一般而言是几何上的概念，如一维是直线(直线上有无数个点)，二维是平面(平面有无数条线)，三维为体（有无数个面)。

而在机器学习以及数据分析中的维数是数据空间的一种描述方式，更接近于张量的阶数，如(2，2，3)，解读如下：

• 一般用元组来表示维度信息，其中元组的大小，表达维度的数量，这里为3维。
• 元组中每个元素的数值代表该维度上的元素数量信息，具体的如下：
  * 第一维有2个子元素，每个子元素为2*3的矩阵
  * 第二维有2个子元素，每个子元素为元素长度为3的数组
  * 第3维有3个子元素，每个子元素，为一个具体的实数

举例如下：

a=np.ones([2,2,3])#创建两个2行3列的数组（矩阵）
a
array([[[ 1.,  1.,  1.],
      [ 1.,  1.,  1.]],
     [[ 1.,  1.,  1.],
      [ 1.,  1.,  1.]]])

第一维元素数为2，元素都是：

[[ 1.,  1.,  1.],[ 1.,  1.,  1.]]

第二维元素数为2，每一个元素都是：

[ 1.,  1.,  1.]

第三维元素数为3，每一个元素都是：

1.

由于ndarray的维度和张量的阶数相似，故tensorflow的张量的维度的理解也是相似的。

shape()

用来查看数组或者矩阵的维数，shape[0]是第一维的维数，shape[1]是第二维的维数。通常来说，第一维和第二维，是行和列。另外的我们可以从外向内数“[]”来进行维度元素的辨别。遇见的第一个“[]”为第一维，里面的元素个数为第一维的元素个数。然后再数第一维任意元素的“[]”,如果没有[]，说明是一维，有就是第二维…，以此类推，可以确定第n维以及第n维的元素。，如：

reshape()

改变数组的形状，并且原始数据不发生变化。但是，reshape()函数中的参数需要满足乘积等于数组中数据总数.

如：当我们将8个数使用(2,3)重新排列时，python会报错

重要的方法：

数组打平为一维数组

• 将数组变成一维的方法,即在只指定第一维，且第一维的元素个数为数组元素个数的总数reshape(total_num,)：

    b=np.array([[1,2,3,4],[4,5,6,7],[7,8,9,10]])
    #output：
    array([[ 1,  2,  3,  4],
       [ 4,  5,  6,  7],
       [ 7,  8,  9, 10]])
  
    b.reshape(12,)
    #output
    array([ 1,  2,  3,  4,  4,  5,  6,  7,  7,  8,  9, 10])
  

二维数组的打平为1行n列

• 二维数组的打平为1行n列的方法：reshape(1,-1)

    b.reshape(1,-1)
    #output,注意跟打平为一维的区别，虽然数据都居中在一个括号内，但是括号的数量是不一样的
    array([[ 1,  2,  3,  4,  4,  5,  6,  7,  7,  8,  9, 10]])
  

二维数组打平为n行1列

• 二维数组打平为n行1列的方法： reshape(-1,1)

    b.reshape(-1,1)
    #output
    array([[ 1],
       [ 2],
       [ 3],
       [ 4],
       [ 4],
       [ 5],
       [ 6],
       [ 7],
       [ 7],
       [ 8],
       [ 9],
       [10]])
  

reshape中-1参数的含义

• reshape中-1参数的含义，由于reshape的维数上数字的乘积必须等于元素的个数，而-1表示这一维需要进行元素的个数自行计算：

  b.reshape(2,-1,3)
  #output
  array([[[ 1, 2, 3],
  [ 4, 4, 5]],
  [[ 6, 7, 7],
  [ 8, 9, 10]]])