本教程和备忘单提供可视化帮助您了解numpy如何重塑多维数组。
Cheatsheet for Python numpy reshape, stack, and flatten (created by Hause Lin and available here)
numpy reshape()方法如何重整数组? 您是否感到困惑或难以理解其工作原理? 本教程将引导您逐步重塑numpy。 如果您需要上述备忘单的pdf副本,则可以在此处(https://github.com/hauselin/rtutorialsite/blob/master/_posts/2019-12-20-numpy-reshape/reshape.pdf)下载。
使用np.arange()生成一个numpy数组,其中包含从1到12的数字序列。请参见此处的文档。
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()方法将a1数组整形为3 x 4维数组。 让我们使用3_4来表示它的尺寸:3是第0个尺寸(轴),4是第1个尺寸(轴)(请注意,Python索引从0开始)。 请参阅此处的文档。
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自动确定特定尺寸应为多少尺寸/长度,请将该尺寸指定为-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)
默认情况下,reshape()沿第0维(行)对数组进行整形。 可以通过命令参数更改此行为(默认值为" C")。 请参阅文档以获取更多信息。
a1.reshape(3, 4) # reshapes or ‘fills in’ row by rowa1.reshape(3, 4, order='C') # same results as above
通过将顺序更改为" F",我们可以沿第一维(列)重塑形状。 对于熟悉MATLAB的人,MATLAB使用此顺序。
a1.reshape(3, 4, order='F') # reshapes column by column> [[ 1 4 7 10] [ 2 5 8 11] [ 3 6 9 12]]
测试:阵列a1的尺寸/形状是什么?
a1是一维数组-仅具有1个维度,即使您可能认为其维度应为1_12(1行12列)。 要转换为1_12数组,请使用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()方法可以将多维数组转换为一维数组(请参见此处的文档)。 我们的2D数组(3_4)将被展平或拉平,使其成为具有12个元素的1D数组。
如果您未指定任何参数,则ravel()将沿行(第0维/轴)展平/散列我们的2D数组。 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维)展平/滚动,请使用order参数。
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]
创建两个一维数组
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()连接/堆栈数组。 默认情况下,np.stack()沿第0维(行)(参数轴= 0)堆叠数组。 有关更多信息,请参阅文档。
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]]
沿第一维堆叠(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()连接为长的一维数组(水平堆栈)
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]
多维数组非常常见,称为张量。 它们在深度学习和神经网络中使用很多。 如果您要进行深度学习,则将定期重整张量或多维数组。
首先,我们创建两个不同的3 x 4数组。 稍后,我们将它们组合成一个3D阵列。
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]]
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)
让我们打印数组以查看它们的外观。 有关可视化的信息,请参见上图。
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]]]
由于这三个3D数组是通过沿不同维度堆叠两个数组而创建的,因此,如果我们要从这些3D数组中检索原始的两个数组,则必须沿正确的维度/轴进行子集化。
测试:我们如何从这些3D数组中检索a1数组?
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]
我们还可以使用ravel()展平多维数组。 下面,我们逐行浏览(默认顺序为" C")到一维数组。
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]
逐列划定(order ='F')到一维数组
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]
我们还可以使用reshape()重塑多维数组。
# 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]]]
我希望您现在对numpy如何重塑多维数组有了更好的了解。 我期待您的想法和评论。 另外,请查看有关numpy和数据表示的直观介绍。
(本文翻译自Hause的文章《Reshaping numpy arrays in Python — a step-by-step pictorial tutorial》,参考:https://towardsdatascience.com/reshaping-numpy-arrays-in-python-a-step-by-step-pictorial-tutorial-aed5f471cf0b)
联系客服