Python NumPy多维数组形状重构
Python NumPy多维数组形状重构
NumPy 是 Python 中用于数值计算的核心库，其多维数组功能是数据科学和工程计算的基础。在实际工作中，我们经常需要根据需求对数组进行形状重构，例如调整维度、添加或删除轴等。NumPy 提供了强大的数组重构工具，如 reshape、ravel、resize 等，可以灵活高效地处理数组形状。
多维数组的形状与属性
在 NumPy 中，数组的形状由一个元组表示，描述了数组在每个维度上的大小。例如，一个形状为 (3, 4) 的数组表示有 3 行 4 列。
查看数组形状
使用 shape 属性可以查看数组的形状：
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("数组：\n", arr)
print("数组形状：", arr.shape)
输出：
数组：
[[1 2 3]
[4 5 6]
[7 8 9]]
数组形状： (3, 3)
更改数组形状的基础方法
reshape：创建一个具有新形状的数组。resize：直接修改数组的形状。ravel和flatten：将多维数组展平成一维。
reshape：灵活调整数组形状
reshape 方法用于创建一个新形状的数组，而不会改变原始数据。新形状必须与原数组的元素总数一致。
基本用法
# 创建一个一维数组
arr = np.arange(12)
# 将数组重构为 3 行 4 列
reshaped_arr = arr.reshape(3, 4)
print("重构后的数组：\n", reshaped_arr)
输出：
重构后的数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
使用 -1 自动计算维度
reshape 支持使用 -1 让 NumPy 自动计算某一维的大小：
# 自动计算列数
reshaped_arr = arr.reshape(3, -1)
print("自动计算维度的数组：\n", reshaped_arr)
输出：
自动计算维度的数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
在这个例子中，NumPy 根据总元素数量和指定的行数自动计算列数。
resize：直接修改数组形状
与 reshape 不同，resize 会直接修改原数组的形状，并允许调整元素数量。
修改形状
# 使用 resize 修改数组形状
arr = np.arange(12)
arr.resize(3, 4)
print("调整形状后的数组：\n", arr)
输出：
调整形状后的数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
扩展或裁剪数组
如果新形状的大小与原数组的元素数量不一致，resize 会用默认值填充或裁剪多余的部分：
# 扩展数组
arr.resize(4, 4)
print("扩展后的数组：\n", arr)
# 裁剪数组
arr.resize(2, 4)
print("裁剪后的数组：\n", arr)
输出：
扩展后的数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[ 0 0 0 0]]
裁剪后的数组：
[[0 1 2 3]
[4 5 6 7]]
ravel 和 flatten：展开数组
将多维数组展平成一维数组是常见的操作，ravel 和 flatten 都能实现这一功能，但它们有一些区别：
ravel返回的是原数组的视图，修改会影响原数组。flatten返回的是原数组的副本，修改不会影响原数组。
示例
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 使用 ravel 展开数组
ravelled = arr.ravel()
ravelled[0] = 99
print("使用 ravel 展开后的数组：", ravelled)
print("原数组：\n", arr)
# 使用 flatten 展开数组
flattened = arr.flatten()
flattened[0] = 100
print("使用 flatten 展开后的数组：", flattened)
print("原数组：\n", arr)
输出：
使用 ravel 展开后的数组： [99 2 3 4 5 6]
原数组：
[[99 2 3]
[ 4 5 6]]
使用 flatten 展开后的数组： [100 2 3 4 5 6]
原数组：
[[99 2 3]
[ 4 5 6]]
可以看到，ravel 修改了原数组，而 flatten 则不会影响原数组。
高级数组形状重构操作
添加或删除轴
添加轴
可以通过 np.newaxis 或 expand_dims 方法为数组添加新轴：
arr = np.array([1, 2, 3])
# 添加一个新轴
expanded = arr[:, np.newaxis]
print("添加新轴后的数组：\n", expanded)
输出：
添加新轴后的数组：
[[1]
[2]
[3]]
删除轴
可以使用 squeeze 方法删除大小为 1 的轴：
arr = np.array([[[1], [2], [3]]])
# 删除大小为 1 的轴
squeezed = np.squeeze(arr)
print("删除新轴后的数组：", squeezed)
转置数组
通过 transpose 或 .T 可以实现数组的转置：
arr = np.array([[1, 2], [3, 4], [5, 6]])
# 转置数组
transposed = arr.T
print("转置后的数组：\n", transposed)
输出：
转置后的数组：
[[1 3 5]
[2 4 6]]
实际案例：批量图像处理
在图像处理或深度学习中，常常需要对数组形状进行重构。例如，将多个图像的数据从形状 (batch, height, width, channels) 转换为 (batch, channels, height, width)。
# 模拟图像数据
images = np.random.rand(10, 64, 64, 3)
# 调整形状
reshaped_images = images.transpose(0, 3, 1, 2)
print("调整后的图像数据形状：", reshaped_images.shape)
输出：
调整后的图像数据形状： (10, 3, 64, 64)
通过重构数组形状，可以更好地适配深度学习模型的输入格式。
总结
NumPy 提供了灵活强大的工具来调整数组形状，从 reshape 到 ravel，从添加轴到删除轴，每种方法都有其独特的应用场景。通过掌握这些操作，可以轻松应对各种复杂的数据处理任务。在实际工作中，合理选择数组形状重构方法，不仅可以提高代码的可读性，还能显著提升程序性能。
如果你觉得文章还不错，请大家 点赞、分享、留言 下，因为这将是我持续输出更多优质文章的最强动力！
腾讯云开发者
