|
本教程和備忘單提供可視化幫助您了解numpy如何重塑多維數(shù)組。  Cheatsheet for Python numpy reshape, stack, and flatten (created by Hause Lin and available here) numpy reshape（）方法如何重整數(shù)組,？ 您是否感到困惑或難以理解其工作原理,？ 本教程將引導(dǎo)您逐步重塑numpy,。 如果您需要上述備忘單的pdf副本,，則可以在此處（https://github.com/hauselin/rtutorialsite/blob/master/_posts/2019-12-20-numpy-reshape/reshape.pdf）下載。 創(chuàng)建一個(gè)Python numpy數(shù)組使用np.arange（）生成一個(gè)numpy數(shù)組,，其中包含從1到12的數(shù)字序列,。請(qǐng)參見此處的文檔。 import numpy as npa1 = np.arange(1, 13) # numbers 1 to 12print(a1.shape)> (12,)print(a1)> [ 1 2 3 4 5 6 7 8 9 10 11 12]
使用reshape（）方法重塑使用reshape（）方法將a1數(shù)組整形為3 x 4維數(shù)組,。 讓我們使用3_4來表示它的尺寸：3是第0個(gè)尺寸（軸）,，4是第1個(gè)尺寸（軸）（請(qǐng)注意，Python索引從0開始）,。 請(qǐng)參閱此處的文檔,。 a1_2d = a1.reshape(3, 4) # 3_4print(a1_2d.shape)> (3, 4)print(a1_2d)> [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]
如果希望numpy自動(dòng)確定特定尺寸應(yīng)為多少尺寸/長(zhǎng)度,，請(qǐng)將該尺寸指定為-1。 a1.reshape(3, 4)a1.reshape(-1, 4) # same as above: a1.reshape(3, 4)a1.reshape(3, 4)a1.reshape(3, -1) # same as above: a1.reshape(3, 4)a1.reshape(2, 6)a1.reshape(2, -1) # same as above: a1.reshape(2, 6)
沿不同尺寸重塑默認(rèn)情況下,，reshape（）沿第0維（行）對(duì)數(shù)組進(jìn)行整形,。 可以通過命令參數(shù)更改此行為（默認(rèn)值為" C"）。 請(qǐng)參閱文檔以獲取更多信息,。 a1.reshape(3, 4) # reshapes or ‘fills in’ row by rowa1.reshape(3, 4, order='C') # same results as above
通過將順序更改為" F",，我們可以沿第一維（列）重塑形狀,。 對(duì)于熟悉MATLAB的人,，MATLAB使用此順序。 a1.reshape(3, 4, order='F') # reshapes column by column> [[ 1 4 7 10] [ 2 5 8 11] [ 3 6 9 12]]
測(cè)試：陣列a1的尺寸/形狀是什么,？ a1是一維數(shù)組-僅具有1個(gè)維度,，即使您可能認(rèn)為其維度應(yīng)為1_12（1行12列）。 要轉(zhuǎn)換為1_12數(shù)組,，請(qǐng)使用reshape（）,。 print(a1) # what's the shape?> [ 1 2 3 4 5 6 7 8 9 10 11 12]print(a1.shape)> (12,)a1_1_by_12 = a1.reshape(1, -1) # reshape to 1_12print(a1_1_by_12) # note the double square brackets!> [[ 1 2 3 4 5 6 7 8 9 10 11 12]]print(a1_1_by_12.shape) # 1_12 array> (1, 12)
使用ravel（）展平/拖曳到一維數(shù)組使用ravel（）方法可以將多維數(shù)組轉(zhuǎn)換為一維數(shù)組（請(qǐng)參見此處的文檔）。 我們的2D數(shù)組（3_4）將被展平或拉平,，使其成為具有12個(gè)元素的1D數(shù)組,。 如果您未指定任何參數(shù)，則ravel（）將沿行（第0維/軸）展平/散列我們的2D數(shù)組,。 即,，第0行[1、2,、3,、4] +第1行[5、6,、7,、8] +第2行[9、10,、11,、12]。 如果要沿列（第1維）展平/滾動(dòng),，請(qǐng)使用order參數(shù),。 print(a1_2d) # 3_4> [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]print(a1_2d.ravel()) # ravel by row (default order='C')> [ 1 2 3 4 5 6 7 8 9 10 11 12]print(a1_2d.ravel(order='F')) # ravel by column> [ 1 5 9 2 6 10 3 7 11 4 8 12]
使用np.stack（）和np.hstack（）連接/堆棧數(shù)組創(chuàng)建兩個(gè)一維數(shù)組 a1 = np.arange(1, 13)print(a1)> [ 1 2 3 4 5 6 7 8 9 10 11 12]a2 = np.arange(13, 25)print(a2)> [13 14 15 16 17 18 19 20 21 22 23 24]
使用np.stack（）連接/堆棧數(shù)組。 默認(rèn)情況下,，np.stack（）沿第0維（行）（參數(shù)軸= 0）堆疊數(shù)組,。 有關(guān)更多信息，請(qǐng)參閱文檔,。 stack0 = np.stack((a1, a1, a2, a2)) # default stack along 0th axisprint(stack0.shape)> (4, 12)print(stack0)> [[ 1 2 3 4 5 6 7 8 9 10 11 12] [ 1 2 3 4 5 6 7 8 9 10 11 12] [13 14 15 16 17 18 19 20 21 22 23 24] [13 14 15 16 17 18 19 20 21 22 23 24]]
沿第一維堆疊（Axis= 1） stack1 = np.stack((a1, a1, a2, a2), axis=1)print(stack1.shape)> (12, 4)print(stack1)> [[ 1 1 13 13] [ 2 2 14 14] [ 3 3 15 15] [ 4 4 16 16] [ 5 5 17 17] [ 6 6 18 18] [ 7 7 19 19] [ 8 8 20 20] [ 9 9 21 21] [10 10 22 22] [11 11 23 23] [12 12 24 24]]
用np.hstack（）連接為長(zhǎng)的一維數(shù)組（水平堆棧） stack_long = np.hstack((a1, a2))print(stack_long.shape)> (24,)print(stack_long)> [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24]
創(chuàng)建多維數(shù)組（3D）多維數(shù)組非常常見,，稱為張量,。 它們?cè)谏疃葘W(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)中使用很多。 如果您要進(jìn)行深度學(xué)習(xí),，則將定期重整張量或多維數(shù)組,。 首先，我們創(chuàng)建兩個(gè)不同的3 x 4數(shù)組,。 稍后,，我們將它們組合成一個(gè)3D陣列。 a1 = np.arange(1, 13).reshape(3, -1) # 3_4a2 = np.arange(13, 25).reshape(3, -1) # 3_4print(a1)> [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]print(a2)> [[13 14 15 16] [17 18 19 20] [21 22 23 24]]
通過沿不同的軸/維度堆疊數(shù)組來創(chuàng)建3D數(shù)組a3_0 = np.stack((a1, a2)) # default axis=0 (dimension 0)a3_1 = np.stack((a1, a2), axis=1) # along dimension 1a3_2 = np.stack((a1, a2), axis=2) # along dimension 2print(a3_0.shape)> (2, 3, 4)print(a3_1.shape)> (3, 2, 4)print(a3_2.shape)> (3, 4, 2)
讓我們打印數(shù)組以查看它們的外觀,。 有關(guān)可視化的信息,，請(qǐng)參見上圖。 print(a3_0)> [[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]]print(a3_1)> [[[ 1 2 3 4] [13 14 15 16]] [[ 5 6 7 8] [17 18 19 20]] [[ 9 10 11 12] [21 22 23 24]]]print(a3_2)> [[[ 1 13] [ 2 14] [ 3 15] [ 4 16]] [[ 5 17] [ 6 18] [ 7 19] [ 8 20]] [[ 9 21] [10 22] [11 23] [12 24]]]
由于這三個(gè)3D數(shù)組是通過沿不同維度堆疊兩個(gè)數(shù)組而創(chuàng)建的,，因此,，如果我們要從這些3D數(shù)組中檢索原始的兩個(gè)數(shù)組，則必須沿正確的維度/軸進(jìn)行子集化,。 測(cè)試：我們?nèi)绾螐倪@些3D數(shù)組中檢索a1數(shù)組,？ print(a1) # check what's a1> [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]# solutionsa3_0[0, :, :]a3_0[0] # same as abovea3_1[:, 0, :]a3_2[:, :, 0]
展平多維數(shù)組我們還可以使用ravel（）展平多維數(shù)組。 下面,，我們逐行瀏覽（默認(rèn)順序?yàn)? C"）到一維數(shù)組,。 print(a3_0)> [[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]]print(a3_0.ravel())> [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24]
逐列劃定（order ='F'）到一維數(shù)組 print(a3_0.ravel(order='F'))> [ 1 13 5 17 9 21 2 14 6 18 10 22 3 15 7 19 11 23 4 16 8 20 12 24]
重塑多維數(shù)組我們還可以使用reshape（）重塑多維數(shù)組。 # reshape row by row (default order=C) to 2D arrayprint(a3_0) # 2_3_4> [[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]]print(a3_0.reshape(4, -1)) # reshape to 4_6 (row by row)> [[ 1 2 3 4 5 6] [ 7 8 9 10 11 12] [13 14 15 16 17 18] [19 20 21 22 23 24]]print(a3_0.reshape(4, -1, order='F')) # reshape (column by column)> [[ 1 9 6 3 11 8] [13 21 18 15 23 20] [ 5 2 10 7 4 12] [17 14 22 19 16 24]]print(a3_0.reshape(4, 2, 3)) # reshape to 4_2_3 (row by row)> [[[ 1 2 3] [ 4 5 6]] [[ 7 8 9] [10 11 12]] [[13 14 15] [16 17 18]] [[19 20 21] [22 23 24]]]
結(jié)束語我希望您現(xiàn)在對(duì)numpy如何重塑多維數(shù)組有了更好的了解,。 我期待您的想法和評(píng)論,。 另外，請(qǐng)查看有關(guān)numpy和數(shù)據(jù)表示的直觀介紹,。 (本文翻譯自Hause的文章《Reshaping numpy arrays in Python — a step-by-step pictorial tutorial》,，參考：https:///reshaping-numpy-arrays-in-python-a-step-by-step-pictorial-tutorial-aed5f471cf0b)
|
