NumPy 数组重塑形状和调整大小 |
您所在的位置：网站首页 › 二维如何变三维图片形状 › NumPy 数组重塑形状和调整大小 |
|
numpy.reshape()
ndarray.reshape()
reshape() 函数/方法内存
numpy.resize()
NumPy 中有两个跟形状转换相关的函数（及方法） reshape 以及 resize，它们都能方便的改变矩阵的形状，但是它们之间又有一个显著的差别，我们会着重的来讲。 numpy.reshape()我们先来看看会在各种数据计算中经常用到的改变数组形状的函数 reshape()。 import numpy as np arrayA = np.arange(8) # arrayA = array([0, 1, 2, 3, 4, 5, 6, 7]) np.reshape(arrayA, (2, 4)) # array([[0, 1, 2, 3], # [4, 5, 6, 7]])这里它把一个有 8 个元素的向量，转换成了形状为 (4, 2) 的一个矩阵。因为转换前后的元素数目一样，所以能够成功的进行转换，假如前后数目不一样的话，就会有错误 ValueError 报出。 In[1]: np.reshape(arrayA, (3, 4)) --------------------------------------------------------------------------- ValueError Traceback(most recent call last) ValueError: cannot reshape array of size 8 into shape(3, 4)我们仔细看转换后的数据，第一行是 arrayA 的前四个数据，第二行是 arrayA 的后四个数据，也就是它是按行来填充数据的，有些时候我们需要把数据填充的顺序改成按列来填充，那我们需要改变函数中的另外一个输入参数 order= In[1]: np.reshape(arrayA, (2, 4), order="F") Out[1]: array([[0, 2, 4, 6], [1, 3, 5, 7]])order 默认的参数是 C，也就是按行填充，当参数变为 F 时，就变成按列填充。 说明 这里用按行或者按列来填充，是为了便于理解，其实具体的不同是由于函数是按照类似 C 的索引顺序还是按照类似 Fortan 的索引顺序来读取输入矩阵的内容，具体可以参照 Numpy reshape 的官方说明文档。 ndarray.reshape()除了用 NumPy 的 reshape 函数外，你还可以用数据 ndarray 对象里面的 reshape 方法来进行矩阵形状变化。它的语法跟 numpy.reshape() 类似，区别在于不用输入矩阵作为参数了。 In[1]: arrayB = arrayA.reshape((2, 4)) In[2]: arrayB Out[2]: array([[0, 1, 2, 3], [4, 5, 6, 7]]) In[1]: arrayA Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7])可以看得出，用法跟 reshape 函数类似。这里想强调的一点是 ndarray.reshape() 方法不会改变原矩阵的数据、形状等，而只是返回一个新的矩阵。 reshape() 函数/方法内存reshape 函数或者方法生成的新数组和原始数组是共用一个内存的，有点类似于 Python 里面的 shallow copy，当你改变一个数组的元素，另外一个数组的元素也相应的改变了。 In[1]: arrayA = np.arange(8) arrayB = arrayA.reshape((2, 4)) arrayB Out[2]: array([[0, 1, 2, 3], [4, 5, 6, 7]]) In[2]: arrayA[0] = 10 arrayA Out[2]: array([10, 1, 2, 3, 4, 5, 6, 7]) In[3]: arrayB Out[3]: array([[10, 1, 2, 3], [4, 5, 6, 7]]) numpy.resize()numpy.resize() 跟 reshape 类似，可以改变矩阵的形状，但它有几点不同， 没有 order 参数了，它只有跟 reshape 里面 order='C'的方式。 假如要转换成的矩阵形状中的元素数量跟原矩阵不同，它会强制进行转换，而不报错。我们具体来看一下第二点 In[1]: arrayA = np.arange(8) arrayB = np.resize(arrayA, (2, 4)) Out[1]: array([[0, 1, 2, 3], [4, 5, 6, 7]])这是尺寸大小正常情况，跟 reshape 的结果是一样的。 In[1]: arrayC = np.resize(arrayA, (3, 4)) arrayC Out[1]: array([[0, 1, 2, 3], [4, 5, 6, 7], [0, 1, 2, 3]]) In[2]: arrayD = np.resize(arrayA, (4, 4)) arrayD Out[2]: array([[0, 1, 2, 3], [4, 5, 6, 7], [0, 1, 2, 3], [4, 5, 6, 7]])当新形状行数超出的话，它会开始重复填充原始矩阵的内容，实现形状大小的自动调整而不报错。 In[1]: arrayE = np.resize(arrayA, (2, 2)) arrayE Out[1]: array([[0, 1], [2, 3]]) In[2]: np.resize(arrayA, (1, 4)) Out[2]: array([[0, 1, 2, 3]])当新形状比原形状所需要的数据小的时候，它会从原矩阵读读取出所需要个数的数据，然后按照先按行填充的方式来对新矩阵元素赋值。 注意 当新矩阵的形状在原矩阵形状内时，比如 (2, 2) 和 (2, 4) 的情形，新矩阵的元素不是按照子集来获取的。比如上例中，np.resize(arrayA, (2, 2)) 不是 array([[0, 1], [4, 5])。假如你需要这样的截取方法，我们会在后续的索引和切片操作中介绍到的。 In[1]: np.resize(arrayA, (3, 5)) Out[1]: array([[0, 1, 2, 3, 4], [5, 6, 7, 0, 1], [2, 3, 4, 5, 6]])当新形状比原形状要大时，它会先按行去填充旧矩阵的元素，并且在元素被用光后，再重复的填充这些元素，直到新矩阵的最后一元素。 resize 函数/方法内存跟 reshape 不一样的是，resize 函数/方法生成的新数组跟原数组并不共用一个内存，所以彼此元素的改变不会影响到对方。 In[1]: arrayA = np.arange(8) arrayB = arrayA.reshape((2, 4)) arrayB Out[2]: array([[0, 1, 2, 3], [4, 5, 6, 7]]) In[2]: arrayA[0] = 10 arrayA Out[2]: array([10, 1, 2, 3, 4, 5, 6, 7]) In[3]: arrayB Out[3]: array([[0, 1, 2, 3], [4, 5, 6, 7]]) |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |