Answers:
提供新形状所需满足的标准是“新形状应与原始形状兼容”
numpy允许我们将新形状参数之一设为-1(例如:(2,-1)或(-1,3),但不提供(-1,-1))。它只是意味着它是一个未知的维,我们希望numpy弄清楚。numpy将通过查看 “数组的长度和剩余维数”并确保满足上述条件来解决这个问题
现在看示例。
z = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
z.shape
(3, 4)
现在尝试用(-1)重塑形状。结果新形状为(12,)并与原始形状(3,4)兼容
z.reshape(-1)
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
现在尝试用(-1,1)重塑形状。我们将列设置为1,将行设置为unknown。因此我们得到的新形状为(12,1)。又与原始形状(3,4)兼容
z.reshape(-1,1)
array([[ 1],
[ 2],
[ 3],
[ 4],
[ 5],
[ 6],
[ 7],
[ 8],
[ 9],
[10],
[11],
[12]])
以上与numpy
建议/错误消息一致,reshape(-1,1)
用于单个功能;即单列
array.reshape(-1, 1)
如果数据具有单一功能,则使用来重塑数据
新形状为(-1,2)。未知行,第2列。我们得到的新形状为(6,2)
z.reshape(-1, 2)
array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 8],
[ 9, 10],
[11, 12]])
现在尝试使列为未知。新形状为(1,-1)。即,行为1,列未知。我们得到的结果新形状为(1,12)
z.reshape(1,-1)
array([[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]])
以上与numpy
建议/错误消息一致,reshape(1,-1)
用于单个示例;即单排
使用数据
array.reshape(1, -1)
是否包含单个样本来重塑数据
新形状(2,-1)。第2行,列不明。我们得到的结果新形状为(2,6)
z.reshape(2, -1)
array([[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12]])
新形状为(3,-1)。第3行,列不明。我们得到的结果新形状为(3,4)
z.reshape(3, -1)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
最后,如果我们尝试提供两个未知尺寸,即新形状为(-1,-1)。会抛出错误
z.reshape(-1, -1)
ValueError: can only specify one unknown dimension
用于整形数组。
假设我们有一个尺寸为2 x 10 x 10的3维数组:
r = numpy.random.rand(2, 10, 10)
现在我们要重塑为5 X 5 x 8:
numpy.reshape(r, shape=(5, 5, 8))
会做的工作。
请注意,一旦固定了第一个dim = 5和第二个dim = 5,就不需要确定第三维。为了帮助您懒惰,python提供了-1选项:
numpy.reshape(r, shape=(5, 5, -1))
将为您提供形状=(5,5,8)的数组。
同样
numpy.reshape(r, shape=(50, -1))
将为您提供形状=(50,4)的数组
您可以在http://anie.me/numpy-reshape-transpose-theano-dimshuffle/了解更多信息
newshape:int或int的元组
新形状应与原始形状兼容。如果是整数,则结果将是该长度的一维数组。一个形状尺寸可以为-1。在这种情况下,该值是根据数组的长度和其余维来推断的。
[8]
因为文档说的是(1-D array
)。尝试numpy.reshape(a, [8])
。产生与numpy.reshape(a, [1,8])
矩阵相同的结果。
numpy.reshape(a,newshape,order {})检查以下链接以获取更多信息。 https://docs.scipy.org/doc/numpy/reference/generation/numpy.reshape.html
对于以下示例,您提到的输出将结果向量解释为单行。(-1)表示行数为1。
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
b = numpy.reshape(a, -1)
输出:
矩阵([[1、2、3、4、5、6、7、8]])
这可以用另一个示例更精确地解释:
b = np.arange(10).reshape((-1,1))
输出:(是一维列式数组)
数组([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
b = np.arange(10).reshape((1,-1))
输出:(是一维行数组)
数组([[0,1,2,3,4,5,6,7,8,9]])
这很容易理解。“ -1”代表“未知尺寸”,可以从另一个尺寸推断出来。在这种情况下,如果您这样设置矩阵:
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
像这样修改矩阵:
b = numpy.reshape(a, -1)
它将对矩阵a调用一些默认操作,这将返回1-d numpy数组/矩阵。
但是,我认为使用这样的代码不是一个好主意。为什么不尝试:
b = a.reshape(1,-1)
它将为您提供相同的结果,并使读者更清楚地理解:将b设置为a的另一种形状。对于a,我们没有多少列(将其设置为-1!),但是我们想要一维数组(将第一个参数设置为1!)。
长话短说:您设置了一些尺寸,然后让NumPy设置了其余的尺寸。
(userDim1, userDim2, ..., -1) -->>
(userDim1, userDim1, ..., TOTAL_DIMENSION - (userDim1 + userDim2 + ...))
这只是意味着您不确定可以提供多少行或列,而您正在让numpy建议要重整的列数或行数。
numpy提供了-1 https://docs.scipy.org/doc/numpy/reference/genic/numpy.reshape.html的最后一个示例
检查下面的代码及其输出以更好地了解(-1):
码:-
import numpy
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
print("Without reshaping -> ")
print(a)
b = numpy.reshape(a, -1)
print("HERE We don't know about what number we should give to row/col")
print("Reshaping as (a,-1)")
print(b)
c = numpy.reshape(a, (-1,2))
print("HERE We just know about number of columns")
print("Reshaping as (a,(-1,2))")
print(c)
d = numpy.reshape(a, (2,-1))
print("HERE We just know about number of rows")
print("Reshaping as (a,(2,-1))")
print(d)
输出:-
Without reshaping ->
[[1 2 3 4]
[5 6 7 8]]
HERE We don't know about what number we should give to row/col
Reshaping as (a,-1)
[[1 2 3 4 5 6 7 8]]
HERE We just know about number of columns
Reshaping as (a,(-1,2))
[[1 2]
[3 4]
[5 6]
[7 8]]
HERE We just know about number of rows
Reshaping as (a,(2,-1))
[[1 2 3 4]
[5 6 7 8]]
import numpy as np
x = np.array([[2,3,4], [5,6,7]])
# Convert any shape to 1D shape
x = np.reshape(x, (-1)) # Making it 1 row -> (6,)
# When you don't care about rows and just want to fix number of columns
x = np.reshape(x, (-1, 1)) # Making it 1 column -> (6, 1)
x = np.reshape(x, (-1, 2)) # Making it 2 column -> (3, 2)
x = np.reshape(x, (-1, 3)) # Making it 3 column -> (2, 3)
# When you don't care about columns and just want to fix number of rows
x = np.reshape(x, (1, -1)) # Making it 1 row -> (1, 6)
x = np.reshape(x, (2, -1)) # Making it 2 row -> (2, 3)
x = np.reshape(x, (3, -1)) # Making it 3 row -> (3, 2)
转换的最终结果是,最终数组中的元素数量与初始数组或数据帧的元素数量相同。
-1对应于行或列的未知计数。我们可以将其视为x
(未知)。x
通过将原始数组中元素的数量除以有序对的其他值-1而获得。
例子
具有reshape(-1,1)的12个元素对应于x
= 12/1 = 12行和1列的数组。
具有reshape(1,-1)的12个元素对应于具有1行x
= 12/1 = 12列的数组。
reshape
以保持相同数量的元素。