Numpy中的shape、reshape函數的區別

Posted on by

 1 shape()函數 

讀取矩陣的長度，比如shape[0]就是讀取矩陣第一維度的長度,相當於行數。它的輸入參數可以是一個整數表示維度，也可以是一個矩陣。shape函數返回的是一個元組tuple，表示數組（矩陣）的維度/ 形狀，例子如下：

  • w.shape[0]返回的是w的行數
  • w.shape[1]返回的是w的列數
  • df.shape()：查看行數和列數

1. 數組（矩陣）隻有一個維度時，shape隻有shape[0]，返回的是該一維數組（矩陣）中元素的個數，通俗點說就是返回列數，因為一維數組隻有一行，一維情況中array創建的可以看做list（或一維數組），創建時用（）和[ ]都可以，多維就使用[ ]

>>> a=np.array([1,2])
>>> a
array([1, 2])
>>> a.shape
(2L,)
>>> a.shape[0]
2L
>>> a.shape[1]
IndexError: tuple index out of range   #最後報錯是因為一維數組隻有一個維度，可以用a.shape或a.shape[0]來訪問
 
#這個使用的是兩個（）包裹，得到的數組和前面的一樣
>>> a=np.array((1,2))
>>> a
array([1, 2])

2.數組有兩個維度（即行和列）時，a.shape返回的元組表示該數組的行數與列數

 #註意二維數組要用（）和[]一起包裹起來，鍵入print a 會得到一個用2個[]包裹的數組（矩陣）
>>> b=np.array([[1,2,3],[4,5,6]])
>>> b
array([[1, 2, 3],
       [4, 5, 6]])
>>> b.shape
(2L, 3L)

總結:使用np.array（）創建數組時，

一維的可以直接np.array（[1,2,3]）或者np.array((1,2,3))

二維的要使用np.array（[[1,2,3],[1,2,3]]),用一個（）和一個[]把要輸入的list包裹起來

三維的要使用np.array（[[[1,2,3],[1,2,3]]]）,用一個（）和兩個[]把要輸入的list包裹起來

>>> a=np.array([[[1,2],[3,4]]])
>>> a
array([[[1, 2],
        [3, 4]]])
>>> a.shape
(1L, 2L, 2L)

返回的元組表示3個維度各包含的元素的個數。所謂元素，在一維時就是元素的個數，二維時表示行數和列數，三維時a.shape【0】表示創建的塊數，a.shape【1】和a.shape【2】表示每一塊（每一塊都是二維的）的行數和列數。

>>> a=np.ones([2,2,3])#創建兩個2行3列的數組（矩陣）
>>> a
array([[[ 1.,  1.,  1.],
        [ 1.,  1.,  1.]],
 
       [[ 1.,  1.,  1.],
        [ 1.,  1.,  1.]]])

2 reshape()函數

 改變數組的形狀，並且原始數據不發生變化。但是，reshape()函數中的參數需要滿足乘積等於數組中數據總數.

如：當我們將8個數使用(2,3)重新排列時，python會報錯

import numpy as np
 
a=np.array([1,2,3,4])
b=np.array([[1,2,3,4],[4,5,6,7],[7,8,9,1]])
print("a:\n",a)
print("b:\n",b)
print(b.dtype)
 
a_r=a.reshape((2,2))  
print("a_r:\n",a_r)
d=a.reshape((-1,1))
print("d:\n",d)
e=a.reshape((1,-1))
print("e:\n",e)
#結果如下
a:
 [1 2 3 4]
c:
 [[1 2 3 4]
 [4 5 6 7]
 [7 8 9 1]]
int32
 
a_r:
 [[1 2]
 [3 4]]
d:
 [[1]
 [2]
 [3]
 [4]]
e:
 [[1 2 3 4]]

而且，reshape()函數得出的數組與原數組使用的是同一個存儲空間，改變一個，另一個也隨之改變。

【註意】shape和reshape()函數都是對於數組(array)進行操作的，對於list結構是不可以的

【參考】

Python：numpy中shape和reshape的用法 

到此這篇關於Numpy中的shape、reshape函數的區別的文章就介紹到這瞭,更多相關Numpy shape reshape內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：